33
PROPOSAL PROYEK AKHIR TAHUN AJARAN 2010/2011 ANALISA KINERJA DAN SIMULASI COVERAGE DI WIRELESS SENSOR NETWORK (WSN) UNTUK MULTIPLE OBJECTIVE OPTIMIZATION (MOO) DENGAN SUM OF WEIGHTED COST FUNCTION GENETIC ALGORITHM Oleh : Bina Rahayu Swandayani NRP. 7207.040.002 1

Copy of PROPOSAL TA--benar2

Embed Size (px)

Citation preview

Page 1: Copy of PROPOSAL TA--benar2

PROPOSAL PROYEK AKHIRTAHUN AJARAN 2010/2011

ANALISA KINERJA DAN SIMULASI COVERAGE DI WIRELESS SENSOR NETWORK (WSN) UNTUK

MULTIPLE OBJECTIVE OPTIMIZATION (MOO) DENGAN SUM OF WEIGHTED COST FUNCTION

GENETIC ALGORITHM

Oleh :Bina Rahayu Swandayani

NRP. 7207.040.002

JURUSAN TEKNIK TELEKOMUNIKASIPOLITEKNIK ELEKTRONIKA NEGERI SURABAYA

INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYAAgustus , 2010

1

Page 2: Copy of PROPOSAL TA--benar2

LEMBAR PENGESAHAN PROPOSAL PROYEK AKHIR TAHUN 2009/2010

ANALISA KINERJA DAN SIMULASI COVERAGE DI WIRELESS SENSOR NETWORK (WSN) UNTUK MULTIPLE OBJECTIVE OPTIMIZATION (MOO) DENGAN SUM OF WEIGHTED COST

FUNCTION GENETIC ALGORITHM

Oleh :Bina Rahayu Swandayani

NRP. 7207.040.002

Proposal Karya Ilmiah ini Diajukan unutkDilanjutkan sebagai Proyek Akhir

diJurusan Telekomunikasi – Politeknik Elektronika Negeri Surabaya

Institut Teknologi Sepuluh Nopember Surabaya

Disetujui oleh

Tim Penguji : Dosen Pembimbing :

1. Hani’ah Mahmudah, ST, MT 1. Tri Budi Santoso, ST,MT NIP.19770916201122001 NIP.197001051995021001

2. Okkie Puspitorini, ST, MT 2. Ir. Prima Kristalina, MT NIP.197010111995122001 NIP .196505251990032001

3. Ari Wijayanti, ST, MT NIP. 197612162003122001

2

Page 3: Copy of PROPOSAL TA--benar2

ABSTRAK

Masalah coverage pada wireless sensor network (WSN) adalah untuk meletakan sensor pada servis area yang dapat mencakup seluruh servis area. Masalah coverage dalam WSN sangat penting karena merepresentasikan QoS(Quality of Service) dari WSN tersebut. Namun untuk mendapat coverage yang luas, diperlukan dana yang besar pula. Oleh sebab itu dengan MOO(Multiple Objective Optimization) dalam hal ini sum of weighted cost functions-algoritma turunan dari genetic algorithm- akan dicari komposisi berbagai macam letak dan jenis sensor yang dapat meng-cover area seluas-luasnya dan dengan biaya seminimal mungkin. Dengan sum of weighted cost functions, perbandingan kedua fungsi dapat diatur, sehingga optimisasi dapat ditekankan pada salah satu fungsi maupun kedua fungsi tsb. Fungsi-fungsi dalam hal ini adalah fungsi cost function yang merepresentasikan biaya total WSN dan fitness function yang merepresentasikan coverage sensor nodes.

Kata kunci : WSN, coverage, genetic algorithm, multiple objective optimization

3

Page 4: Copy of PROPOSAL TA--benar2

1.JUDUL KARYA ILMIAH :ANALISA KINERJA DAN SIMULASI COVERAGE DI WIRELESS SENSOR NETWORK (WSN) UNTUK MULTIPLE OBJECTIVE OPTIMIZATION (MOO) DENGAN SUM OF WEIGHTED COST FUNCTION GENETIC ALGORITHM

2. RUANG LINGKUP : Dasar Programming Jaringan wireless sensor Algoritma Genetika

3.TUJUAN :Tujuan dari proposal judul tugas akhir ini adalah membuat simulasi mengenai coverage area (CA) dari wireless sensor network (WSN) untuk multiple objective optimization (MOO) menggunakan algoritma genetika (GA). Simulasi ini mengenai bagaimana merancang posisi wireless sensor agar dapat mengcover area sebanyak-banyaknya dengan dana yang seminimal mungkin.

4.LATAR BELAKANG :WSN saat ini telah menampakan dirinya sebagai platform yang menjanjikan untuk memonitoring area dengan sedikit campur tangan manusia. Kemajuan pada microelectronic circuits berdaya rendah, komunikasi wireless dan operating system membuat WSN menjadi platform yang dapat digunakan di banyak aplikasi. Pada mulanya, aplikasi WSN didominasi dan didanai untuk aplikasi militer, seperti monitoring aktivitas di medan perang. Sekarang, banyak aplikasi sipil, seperti monitoring habitat alam dan lingkungan adalah contoh keuntungan dari penggunaan WSN. Mulanya penyebaran WSN termasuk masalah dasar, yang dikenal sebagai coverage. Masalah coverage memiliki banyak interpretasi, tergantung tipe sensor dan aplikasinya. Namun, banyak peneliti mempertimbangkan coverage sebagai ukuran dari kualitas (Quality of Service) jaringan sensor. Sehingga banyak peneliti yang mengembangkan algoritma untuk mendapatkan coverage yang lebih besar sehingga QoS dari WSN menjadi lebih baik.Contohnya seperti yang dibahas oleh Sami J Habib, yaitu memodelkan daerah peletakan sensor dibagi menjadi 2 sub-masalah, yaitu pemetaan (floorplan) dan penempatan (placement). Serta menyelesaikan masalah coverage dengan menggunakan algoritma genetika [1]. Lalu ada beberapa peneliti yang meneliti masalah coverage, seperti Azzedine Boukerche dan Xin Fei meneliti masalah coverage juga namun lebih menekankan pada irregular sensing range dari wireless sensor menggunakan metode IPM (intersection point method) untuk memperluas disk sensing range yang dapat mengatasi masalah coverage, yaitu dengan memperluas asumsi disk sensing range ke asumsi polygon sederhana yang beraturan. Dan menggunakan metode a unit circle test yang dirancang untuk mengkontrol tingkat akurasi dalam menentukan luasnya coverage node khusunya pada irregular sensing range dari wireless sensor menggunakan IPM(intersection point method) untuk memperluas disk sensing range yang dapat mengatasi masalah coverage, yaitu kemampuan cakupan sensor, blind points, dan kualitas sensor [2].

4

Page 5: Copy of PROPOSAL TA--benar2

Peneliti lainya, Sandeep Kour Ahuja dkk juga meneliti mengenai coverage khususnya masalah pemaksimalan multi-modality coverage time dan hubungan node density dengan probabilitas coverage [3]. Dari berbagai macam paper tersebut, penulis mengetahui bahwa WSN memiliki banyak cabang permasalahan yang dapat diteliti lebih jauh. Namun dalam tugas akhir ini, penulis hanya akan mengangkat masalah mengenai coverage area yang memiliki Multiple Objective Optimization (MOO). Dengan misi mensimulasikan coverage area yang berhasil dicover oleh sejumlah sensor dengan jumlah dan jenis terbatas karena penekanan biaya seminimal mungkin dengan menggunakan Genetic Algorithm. Namun ternyata, karena cost function untuk coverage WSN memiliki Multiple Objective Optimization (MOO) sehingga cost function-nya rumit dan dibutuhkan lebih dari sekedar algoritma Genetika untuk menyelesaikanya. Maka untuk mensimulasikan proses peng-coverage ini dibutuhkan algoritma turunan dari genetic algorithm yaitu Sum of Weighted Cost Function.

5.BATASAN MASALAH :Batasan masalah dalam proyek akhir ini yaitu :

Proyek akhir ini hanya mengambil permasalahan coverage area dari WSN. Coverage area didapat dengan algoritma genetika dan Sum of Weighted

Cost Function untuk menyelesaikan Multiple Objective Optimization (MOO) dari masalah biaya dan lebar coverage.

Daerah penyebaran sensor yang disimulasikan berupa bidang datar, dan diimplementasikan pada ruangan terbuka di PENS-ITS.

Daya jangkau sensor tidak dapat menembus constrain, dalam hal ini constrain diinisialisasikan sebagai tembok bangunan.

Menggunakan bahasa pemrograman java.

6.TINJAUAN PUSTAKA : 6.1 Penelitian yang pernah dilakukanPaper milik Sami J Habib, memodelkan daerah peletakan sensor yang dibagi menjadi 2 sub masalah yaitu pemetaan (floorplan) dan pemetaan (placement), dan menyelesaikan masalah coverage dengan menggunakan algoritma genetika. Paper Sami J Habib ini juga membahas mengenai multiple objective optimization yang menginspirasi pembuatan proposal tugas akhir ini [1]. Beberapa peneliti seperti Azzedine Boukerche dan Xin Fei meneliti masalah coverage juga namun lebih menekankan pada irregular sensing range dari wireless sensor menggunakan metode IPM (intersection point method) untuk memperluas disk sensing range yang dapat mengatasi masalah coverage, yaitu dengan memperluas asumsi disk sensing range ke asumsi polygon sederhana yang beraturan. Dan menggunakan metode a unit circle test yang dirancang untuk mengkontrol tingkat akurasi dalam menentukan luasnya coverage node. Dengan menyesuaikan radius ru unit circle test, algoritma ini dapat dibuat toleran terhadap ukuran lubang yang membuat solusi ini fleksibel ketika tingkat akurasi harus dikontrol. Kinerja IPM sendiri dievaluasi melalui serangkaian percobaan simulasi di simulator NS-2 [2]. Peneliti lainya, Sandeep Kour Ahuja dkk juga meneliti mengenai coverage khususnya masalah pemaksimalan multi-modality coverage time dan hubungan node density dengan probabilitas coverage. Dimana untuk masalah coverage time, mereka melakukan (1) menurunkan batas atas dan bawah pada coverage time yang akan

5

Page 6: Copy of PROPOSAL TA--benar2

Sensor node

Sensor‘s coverage

Service area

dicapai; (2) merumuskan masalah pemaksimalan multi-modality coverage time sebagai program linear; dan (3) mengembangkan heuristik untuk menghitung coverage time yang dapat dicapai ketika jaringan dioperasikan secara bertahap. Dan untuk estimasi node density, mereka mengevaluasi probabilitas bahwa sebuah titik tecover oleh sedikitnya satu node untuk setiap modality untuk penyebaran density tertentu dengan mempertimbangkan korelasi yang mungkin dengan terdeteksinya informasi [3].

6.2. PENGENALAN WSNWSN atau wireless sensor network adalah penyebaran sensor-sensor yang terhubung dalam suatu jaringan. Komponen terpenting penyusun WSN tentu saja adalah Sensors yang Integrated Wireless Transceiver dan didukung oleh perkembangan yang ada di dalam teknologi MEMS (Micro-Electro-Mechanical Systems). MEMS sendiri adalah integrasi dari elemen-elemen mechanical, sensor, actuator, dan electronics dalam suatu silicon substrate melalui teknologi microfabrication.Pada Gambar 1 tampak beberapa sensor node, yaitu posisi sensor yang bagaikan

sebuah titik dalam suatu daerah yang akan di-cover. Sensor itu sendiri memiliki panjang radius coverage tertentu, yang dapat menentukan sejauh mana sensor dapat mendeteksi object-nya dan disebut sebagai sensor’s coverage. Sensor’s coverage berbentuk lingkaran karena sensor mendeteksi sepanjang radius tertentu ke segala arah, dengan panjang radius sensor adalah besar jari-jari sensor’s coverage. Bila jumlah luas beberapa sensor’s coverage dijumlahkan, bisa disebut sebagai coverage area karena merupakan total area yang ter-cover. Lalu service area adalah daerah yang ditentukan untuk

di-cover oleh sensor, pada Gambar 1, service area diinisialisasi sebagai sebuah persegi. Namun sensor memiliki beberapa keterbatasan, yaitu pada masalah Energy, Computation, Storage, Transmission range, dan Bandwidth. Sehingga dalam mempelajari WSN ini, terdapat beberapa tantangan yang mempengaruh. Seperti: Deeply distributed architecture, artinya koordinasi secara lokal untuk

mencapai goal dari sistem, tanpa infrastruktur dan tanpa central control support.

Autonomous operation: self-organization, self-configuration, adaptation, exception-free.

6

Gambar 1. Sensor dan coverage

Page 7: Copy of PROPOSAL TA--benar2

TCP/IP bersifat terbuka, implementasi luas, mendukung banyak physical network, relatively efficient dan berbobot ringan, tetapi memerlukan manual intervention untuk konfigurai penggunaannya.

Energy conservation: physical, MAC, link, route, application. Scalability, artinya terskala oleh kepadatan node, jumlah dan jenis networks.

Scalability dalam WSN ini dibatasi hanya sampai 1000-an nodes. Data centric network: address free route-data dengan penamaan,

reinforcement-based adaptation-pengumpulan data di lakukan di dalam. Batasan kemampuan storage dan daya battery, serta computation sensor,

karena memorinya yang kecil akibat ukuranya yang mini. Lower bandwidth dan high error rates.

Walaupun dengan batasan dan tantangan seperti di atas, WSN tetap dirancang agar: Beroperasi dalam self-configured mode (tapa dukungan infrastructure

network). Limit memory pada protocols. Limit computation fiprtlukan pada protocols simple, yet efficient

protocols. Conserve battery power dalam semua kemungkinan yang bisa dilakukan.

Namun walaupun dengan segala kerumitan dan kompleksitas WSN, terdapat beberapa keuntungan dibandingkan Individual Sensors yaitu :

• Perluasan rentang sensor WSN dapat meng-cover area operasi lebih luas

• Redundancy Kepresisian data meningkatkan karena multiple nodes yang berdekatan dapat saling mengkoreksi kesalahan.

• Improved accuracy Banyak Sensor node mengkolabirasi dan mengkombinasikan data untuk meningkatkan akurasi dari data hasil sensor.

• Extended functionality Sensor node tidak hanya mambentuk fungsi sebagai sensor, tetapi juga menyediakan layanan yang lain.

Wireless sensor networks(WSN) dapat dipertimbangkan sebagai salah satu bagian dari Mobile Ad-hoc NETworks (MANET). Namun WSN nodes memiliki power lebih rendah, computation dan communication lebih sederhana dibandingkan dengan MANET nodes. MANETs memiliki tingkat mobilitas yang tinggi, sedangkan sensor networks sebagian besar stationary. Routing protocols cenderung complex di dalam MANET, tetapi relatif sederhana untuk sensor networks. MANET bersifat address centric, WSN bersifat data centric. Walaupun Low-power operation seringkali menimbulkan persoalan di dalam WSN begitu juga untuk Freq. node failures dalam WSN yang terjadi akibat perubahan topologi. Namun tetap terdapat beberapa alasan yang menyebabkan WSN lebih dipilih daripada MANET, yaitu :

Ad Hoc networks mempersyaratkan jumlah yang signifikan pada routing data storage dan computation.

Sensor nodes memiliki memory dan CPU kecil. Perubahan topologi sebagai akibat pergerakan jarang terjadi dalam sebagian

besar aplikasi sensor nodes, dan cenderung stationary. Scalability dalam beberapa ratus sampai ribuan nodes akan menyebabkan

sulitnya membangun WSN dengan baik. GOAL: Simple, scalable, energy-efficient protocols.

7

Page 8: Copy of PROPOSAL TA--benar2

6.3 Arsitektur WSN

Clustered network architecture adalah jaringan sensor yang terbentuk secara otomatis dari Sensor nodes menjadi suatu group yang disebut clusters seperti Gambar 2. Proses clustering diaplikasikan secara recursive untuk membentuk suatu tingkatan clusters. Pada Gambar 3 dicontohkan proses clustering pada sensor network.

Coverage adalah suatu ukuran Quality of service pada suatu sensor network-Sejauh mana network mampu mengamati (atau meng-kover) suatu event yang muncul. Coverage tergantung pada Range dan sensitivity dari sensing nodes serta lokasi dan density dari sensing nodes di dalam suatu daerah kerjanya.

6.4 MOO (Multiple Objective Optimizations) Optimasi adalah proses mengatur input-input dari suatu device, proses matematik, atau eksperimen untuk menghasilkan suatu output yang maksimal. Namun output yang akan dioptimasi bisa hanya satu output atau lebih. Bila output yang dioptimasi lebih dari satu seperti sistem yang akan dibuat, dimana outputnya adalah biaya dan coverage total maka optimasi ini disebut sebagai MOO(Multiple Objective Optimizations). Sehingga optimasi dari sistem ini bertujuan untuk mendapatkan coverage dari penyebaran sensor seluas-luasnya, namun dengan biaya seminimal mungkin.Optimasi dapat dilakukan dengan beberapa cara, yaitu :

Exhausticve search Analytical optimization Simplex method

8

Cluster 2

INTERNET and Satellite

CCluster 3BSINK

Cluster 1TASK MANAGER

NODE (USER)A

SENSOR NODEGambar 2. Arsitektur Jaringan WSN

Gambar 3. Proses Clustering

Page 9: Copy of PROPOSAL TA--benar2

Natural selectionPada sistem ini, dipilih cara pengoptimasian menggunakan natural selection yang telah dikembangkan menjadi genetic algorithm.

6.5 Algoritma GenetikaAlgoritma Genetika atau Genetic Algorithm (GA) merupakan algoritma pencarian heuristic yang didasarkan atas mekanisme evolusi biologis, yang terinspirasi oleh teori evolusi dari Charles Darwin. Dengan kata lain pencarian solusi suatu masalah dengan algoritma genetik akan terus berevolusi. Inti dari algoritma genetika adalah secara bertahap mencari solusi terbaik (survival of the fittest) dari begitu banyak solusi yang ada. Pertama-tama algoritma genetika bekerja dengan membuat beberapa solusi secara acak, tentu saja dari tahapan pertama ini solusinya kemungkinan masih buruk. Solusi tersebut akan mengalami proses evolusi secara terus menerus, dan akan menghasilkan suatu solusi yang lebih baik. Setiap solusi yang terbentuk mewakili satu individu dan satu individu terdiri dari satu kromosom. Kumpulan dari individu-individu ini akan membentuk suatu populasi, dari populasi ini akan lahir populasi-populasi baru sampai dengan sejumlah generasi yang ditentukan. Pada algoritma ini, teknik pencarian dilakukan sekaligus atas sejumlah solusi yang mungkin yang dikenal dengan istilah populasi. Dalam populasi terdiri dari beberapa individu. Dimana individu ini merupakan kumpulan kromosom-kromosom. Populasi awal dibangun secara acak, sedangkan populasi berikutnya merupakan hasil evolusi kromosom-kromosom melalui iterasi yang disebut dengan fungsi fitness. Nilai fitness dari suatu individu akan menunjukkan kualitas kromosom dalam individu tersebut. Proses standar dalam Algoritma Genetika :a) Menginisialisasi cost function, fitness function, variabel-variabel dan

parameter dari GA.b) Membuat populasi awal dari n buah kromosom membentuk suatu individu. b) Menghitung fitness function dari generasi pertama. c) Melakukan pengulangan proses regenerasi sebagai berikut :

• Seleksi : memilih kromosom terjelek. • CrossOver atau Mutasi• Memasukkan kromosom-kromosom hasil proses kedalam individu

baru.d) Memproses generasi baru tersebut untuk proses selanjutnya. e) Evaluasi apakah proses akan diulang. f) Kembali ke langkah b.

Namun karena pada Multiple Objectives Optimization terdapat dua fungsi, maka diperlukan metode turunan dari algoritma genetika. Dalam hal ini dipilih Sum of Weighted Function.

6.6 Sum of Weighted Cost FuctionAdalah metode untuk mencapai Multiple Objectives Optimization dengan mengalikan tiap fungsi dengan suatu pembobot dan menjumlahkanya [4]. Sesuai dengan rumus :

9

Page 10: Copy of PROPOSAL TA--benar2

N

Cost = ∑ Wn fn .......................................... (1)n=1

dimana : fn

adalah fungsi biaya n dan 0<= fn <=1Wn adalah weighted factor dan

=1

Dengan metode ini, kita dapat mengatur komposisi dari kedua fungsi (fitness function dan cost function) menggunakan nilai variabel pembobot guna menekankan prioritas untuk fungsi tertentu maupun kedua fungsi tsb dengan harapan dapat mencapai multiple objectives optimization, yaitu pembuatan jaringan WSN yang dapat meng-cover area seluas-luasnya dengan biaya seminimal mungkin.

7.METODOLOGI :Untuk menyelesaikan proyek akhir pada bagian pemrograman simulasi coverage sensor nodes, dilakukan langkah-langkah sebagai berikut:

7.1 Perancangan SistemSistem dibuat menggunakan sum of weighted cost function, turunan dari algoritma genetika. Karena pada sistem yang akan dibuat ini memiliki 2 tujuan yang saling berkontradiksi, yaitu biaya total pembuatan jaringan WSN yang seminimal mungkin namun sensor-sensornya dapat meng-cover area seluas mungkin (MOO).Padahal dalam kenyataanya, harga sensor selalu sebanding dengan panjang radius coverage sensor [1]. Seperti data Tabel 1, yang akan digunakan dalam simulasi ini sebagai variabel input jenis sensor :

Sensor Device Identification

Sensor Type Radius of coverage

Sensor device cost,($)

1 Temperature 1 502 Temperature 5 1503 Temperature 8 1604 Temperature 10 2505 Temperature 15 3006 Temperature 20 6007 Temperature 25 7008 Temperature 30 8009 Temperature 35 825

10 Temperature 40 85011 Temperature 45 90012 Temperature 50 1000

Dari uraian tersebut, blok diagram sistem ini dirancang seperti Gambar 4.

10

Tabel 1. Tabel daftar jenis sensor

Page 11: Copy of PROPOSAL TA--benar2

Penentuan fitness function dan cost functionPenentuan variabel input :Jenis sensorPosisi sensor

Inisialisasi populasi

Hitung nilai coverage dan biaya untuk tiap individu lalu hitung totalnya menggunakan rumus sum of weighted cost function kamudian diurutkan

(rangking)

Lakukan Proses mating

Cek fitness fuction individu hasil mating yang

didapat dari sum of weighted cost function

dengan ff induk

Analisa hasil apakah berhasil memenuhi MOO dengan coverage

yang ditentukan dan biaya yang ditoleransikan. Hasil dibentuk

tabel, grafik dan visualisasi untuk mempermudah analisa.

Pertama adalah penentuan fitness function dan cost function, dalam hal ini diinisialisasikan sebagai coverage area dan biaya total WSN. Lalu parameter yang dimasukan (variabel input) adalah posisi sensor dan jenis sensor sebagai kromosom dimana setiap individu memiliki beberapa kromosom. Variabel input jenis sensor akan dipakai untuk menentukan besarnya nilai cost function (biaya WSN) sedangkan posisi sensor akan menentukan besar coverage area sensor. Karena bila posisi sensor berada di dekat constrain, maka besar coverage area sensor tsb akan berkurang. Variabel input jenis sensor dapat dilihat pada Tabel 1, sedangkan penenmpatan posisi sensor pada PENS-ITS sesuai Gambar 5.

11

Gambar 4. Blok diagram perancangan sistem

Gambar 5. Penempatan posisi sensor

Page 12: Copy of PROPOSAL TA--benar2

Gambar 5 adalah gambar denah PENS-ITS, dimana daerah yang akan ditempati oleh sensor – sensor yang dibangkitkan adalah pada bagian berwarna hijau. Karena sensor yang dibangkitkan diletakan di luar ruangan, maka daya jangkau sensor hanya dibatasi (tidak dapat menembus) tembok bangunan.Kemudian inisialisasi populasi awal secara random, untuk populasi pertama ini dibangkitkan 4 individu awal yang masing-masing memiliki 4 kromosom. Dimana individu di sini adalah solusi dan kromosm adalah posisi dan jenis sensor. Jadi pada populasi awal ini memiliki 4 solusi untuk mencapai Multiple Objective Optimization dimana setiap solusi terdiri dari 4 sensor yang tersebar secara random, sehingga tiap individu memiliki besar coverage area dan total biaya yang berbeda.Untuk pembangkitan populasi dapat dijelaskan dengan Tabel 2 berikut :

Individu 1 b0 b1 b2 b3 b4 b5 b6 b7 b8 b9 b10 b11

Kromosom : x1 y1 I x2 y2 I x3 y3 III x4 y4 II

Individu 2 b0 b1 b2 b3 b4 b5 b6 b7 b8 b9 b10 b11

Kromosom : x1 y1 II x2 y2 I x3 y3 II x4 y4 III

Individu 3 b0 b1 b2 b3 b4 b5 b6 b7 b8 b9 b10 b11

Kromosom : x1 y1 II x2 y2 I x3 y3 V x4 y4 IV

Individu 4 b0 b1 b2 b3 b4 b5 b6 b7 b8 b9 b10 b11

Kromosom : x1 y1 III x2 y2 I x3 y3 IV x4 y4 II

Dapat dilihat dari Tabel 2, bahwa setiap individu memiliki sifat yang diwakili oleh kromosom-kromosomnya. Dimana pada keempat individu populasi awal di atas memiliki 12 digit kromosom. Hitung nilai biaya untuk tiap individu, dengan cara menjumlahkan harga dari tiap jenis sensor yang dipakai oleh kromosom-kromosom individu tsb. Hitung besar coverage area dengan cara sebagai berikut :

12

Tabel 2. Daftar individu populasi awal

AB

0 2 4 6 8 10

2

4

6

8

C

R1

D

Gambar 6. Penentuan coverage area sensor di titik A

x

y

Page 13: Copy of PROPOSAL TA--benar2

Dicontohkan pada Gambar 6 adalah sensor di titik A(8,5) dengan jari-jari radius coverage sensor sejauh R1. Untuk menentukan coverage area sensor tersebut, maka semua titik pada service area di atas akan diuji dengan cara :

Bila : ((8-x)2 +(5-y)2)≤ (R1)2 .............................................................. (2)dimana x adalah posisi nilai x dari tiap titik yang diuji, dan y adalah posisi nilai y dari tiap titik yang diuji. Maka titik tersebut akan diberi nilai 1, dan bila tidak memenuhi persamaan tersebut maka titik tersebut diberi nilai 0.

Semua titik yang bernilai 0 akan diberi warna hitam, seperti titik B dan D pada gambar di atas. Dan semua titik bernilai 1 akan diberi warna hijau seperti titik C pada gambar diatas.

o Pengujian untuk titik B(2,5) : B = ((8-2)2 +(5-5)2)≤ (3)2

B = ( 36 + 0 ) ≥ 9 jadi B = 0o Pengujian untuk titik C(8,3) :

C = ((8-8)2 +(5-3)2)≤ (3)2

C = ( 0 + 4 ) ≤ 9 jadi C = 1o Pengujian untuk titik D(1,6) :

B = ((8-1)2 +(5-6)2)≤ (3)2

B = ( 49 + 1 ) ≥ 9 jadi D = 0Sedangkan untuk menghitung besar coverage area dari individu pada tabel 2 di atas, maka untuk menguji titik-titik yang termasuk dalam coverage area dari kromosom-kromosom individu 1 di atas. Digunakan persamaan berikut pada program untuk menentukan apakah titik tersebut bernilai 1 atau 0 :

(((x1-x)2 +( y1-y)2)≤ (R1)2 ) || (((x2-x)2 +( y2-y)2)≤ (R2)2 ) || (((x3-x)2 +( y3-y)2)≤ (R3)2

) || (((x4-x)2 +( y4-y)2)≤ (R4)2) ............................................................. (3)

Setelah titik-titik yang ter-cover ditemukan, coverage area total dihitung berapa banyak prosentasenya dengan menjumlahkan semua titik bernilai 1 dan membaginya dengan luas total service area dan dikali 100%. Proses selanjutnya adalah pengurutan (rangking) tiap individu, di sini kedua nilai dari fungsi biaya dan coverage dinormalisasi terlebih dahulu. Untuk normalisasi biaya digunakan jenis sensor termahal sebanyak 4 buah, sebagai bandingan harga termahalnya. Sedangkan untuk coverage digunakan luas total service area, sebagai bandingan coverage terluasnya.Jadi, untuk mendapatkan nilai biaya dan coverage ternormalisasi adalah sebagai berikut :

f1 = harga total sensor individu x 100 % ............................................... (4) ( 1000$ x 4 )

f2 = coverage total individu x 100 % ..................................................... (5)luas service area

Dengan f1 dan f2 diinisialisasikan sebagai nilai fungsi biaya dan fungsi coverage. Lalu dengan persamaan (1), dicari nilai total kedua fungsi tersebut agar dapat dilakukan pengurutan (rangking) untuk tiap individu.

13

Page 14: Copy of PROPOSAL TA--benar2

Individu-individu terjelek akan di-mating, yaitu dikawinkan untuk mendapat individu baru yang sifatnya lebih baik dari individu sebelumnya. Individu hasil mating disebut offspring dan individu yang di-mating disebut parent. Proses mating dimulai dari proses cross over, yaitu proses penukaran kromosom di bagian tertentu antar individu. Dilanjutkan dengan proses mutasi, yaitu perubahan kromosom di bagian tertentu secara random.Kemudian nilai total f1 dan f2 dari parent dan offspring dibandingkan untuk menentukan apakah offspring layak menggantikan posisi parent pada generasi berikutnya. Lalu dianalisa apakah individu generasi baru ini telah memenuhi Multiple Objective Optimization. Dimana untuk syarat suatu individu telah berhasil memenuhi Multiple Objective Optimization yang dalam sistem ini adalah optimasi pada biaya dan coverage dengan harapan didapat jaringan WSN yang meng-cover area seluas-luasnya dengan biaya seminimal mungkin. Ditentukan berdasarkan jumlah iterasi, apakah iterasi telah mencapai konvergen selama 70 iterasi.Iterasi dalam hal ini dimaksudkan untuk proses mating dan perhitungan nilai total f1 dan f2 dari tiap individu di tiap generasi. Dan konvergen dalam hal ini dimaksudkan untuk suatu keadaan dimana tidak ada perubahan dalam nilai total f1 dan f2 dari tiap individu di tiap generasi untuk beberapa kali iterasi.Sedangkan besar nilai coverage total dari tiap individu, diharapkan berhasil memenuhi 90% dari luas coverage area. Dan untuk besarnya biaya, dicari yang paling minimum dari individu yang berhasil memenuhi syarat coverage tsb.

7.2 Pembuatan SistemPada pembuatan sistem ini, digunakan tipe sensor milik Sami J. Habib [1] yang ditunjukan Tabel 3, dimana harga sensor didapat saat nilai untuk setiap USD 1,00 memiliki harga Rp. 9.009,00 [5]. Di Tabel 3 ini jenis sensor yang diinisialisasi belum semua, namun hanya 4 jenis sensor karena hanya digunakan sebagai contoh guna memperjelas pembuatan sistem ini.

Jenis Radius cakupan

sensor(m)Biaya (Rp) Gambar

A 1 450.450,-

B 5 1.351.350,-

C 8 1.441.440,-

14

Tabel 3. Inisialisasi variabel input (jenis sensor)

Page 15: Copy of PROPOSAL TA--benar2

Y

N

START

Definisi cost function dan fitness functionPilih parameter-parameter GA

Bangkitkan populasi awal

Coding kromosom

Dapatkan fitness function dan lakukan rangking

Mating( cross over )

Periksa konvergensi

Individu optimum

END

Mutasi

D 10 2.252.250,-

Sistem ini menggunakan Genetic Algorithm, dimana flowchart dari program simulasi GA adalah seperti Gambar 7.

Dimulai dari definisikan fitness function(f1) dan cost function(f2) sebagai penentuan nilai coverage. Terdapat 2 fungsi karena memiliki dua objectives, yaitu fungsi biaya dan coverage. Dan untuk parameter-parameter GA, yaitu posisi sensor dan jenis sensor, posisi sensor

15

Gambar 7. Flowchart pembuatan sistem

Page 16: Copy of PROPOSAL TA--benar2

dibangkitkan secara random sedangkan jenis sensor diinisialisasikan sesuai Tabel 3.

Bangkitkan populasi awal sebanyak n individu, dimana tiap individu memiliki beberapa kromosom. Dan tiap kromosom merepresentasikan posisi-posisi sensor dan jenis sensor. Di Gambar 8 ini dicontohkan pembangkitan 4 individu awal (x_01, x_02, x_03 dan x_04) dengan 4 buah kromosom. Untuk mempermudah penjelasan tentang algoritma Genetika pada pembuatan sistem ini, maka service area diinisialisasikan sebagai bidang datar berbentuk persegi panjang seperti Gambar 8.

Kromosom tiap individu merepresentasikan jenis sensor yang menentukan harga dan panjang radius coverage sensor, sedangkan posisi sensor menentukan besarnya coverage total dari individu. Jenis sensor disimbolkan dengan huruf sesuai yang tertera pada tabel 2, sedangkan posisi sensor disimbolkan dengan x dan y, dimana index pada kedua huruf tsb menyatakan urutan kromosom saat dibangkitkan secara random.

Dari tiap individu dihitung nilai f1 dan f2, lalu dihitung totalnya menggunakan rumus sum of weighted cost functions. Pada Gambar 9 berikut menampilkan nilai f1 dan f2.

Gambar 9 memperlihatkan nilai f1 dan f2 untuk setiap individu, lalu dengan rumus (1) dihitung besar nilai f1 dan f2 total. Karena N menunjukan jumlah funsi (f1 dan f2) maka N=2. Dan karena jumlah total pembobot (W1 dan W2) adalah 1, jadi W1 = 0,6 dan W2 = 0,4.

Cost = W1 f1 + W2 f2 ................................. (6)

Cost = 0,6 f1 + 0,4 f2 ................................. (7)

16

x_01 : A[x1

y1

]; B[x2

y2

];

C[x3

y3

];

D[x4

y4

];

x_02 : A[x

1

y

1]; B[x

2

y

2

];

D[x

3

y

3];

C[x

4

y

4

];

x_03 : D[x1

y1

]; B[x2

y2

];

B[x3

y3

];

C[x4

y4

];

x_04 : D[x

1

y

1

]; B[x

2

y

2

];

B[x

3

y

3

];

C[x

4

y

4

];

x_01 : Cost =

Rp.5.495.760,-

Coverage = 210,38 m2

x_02 : Cost =

Rp.5.495.760,-

Coverage = 204.1 m2

x_03 : Cost =

Rp.6.395.390,-

Coverage =281,03 m2

x_04 : Cost =

Rp.6.395.390,-

Coverage = 222.155m2

Gambar 8. Individu populasi awal dan kromosomnya.

Gambar 9. Nilai f1 dan f2 Individu populasi awal

Page 17: Copy of PROPOSAL TA--benar2

Maka dalam hal ini, komposisi untuk f1 yang merepresentasikan coverage lebih banyak daripada biaya.

Urutkan nilai fitness function hasil perhitungan dengan rumus sum of weighted cost function tersebut, dari yang terbesar hingga yang terkecil. Gambar 10 menjelaskan besar nilai total f1 dan f2 Individu populasi awal yang telah urut dari besar ke kecil.

Lakukan proses mating (dalam hal ini dimaksudkan untuk proses cross over) untuk individu terjelek dan terbaik. Dengan cara menukar urutan kromosom tertentu dari individu terjelek dengan individu yang lain. Gambar 11 mencontohkan proses mating yang diberikan hanya untuk individu terjelek, dimana cross over dilakukan pada kromosom urutan ke-3 dan ke-4 dari individu x_02(terjelek) dengan individu x_01.

Lakukan proses mutasi untuk individu hasil cross over tsb. Dengan cara mengubah kromosom pada urutan tertentu secara random, dalam Gambar 12 dicontohkan bahwa kromosom yang dimutasi adalah kromosom pada urutan ke-3.

Uji apakah nilai ff total hasil perhitungan sum of weighted cost function

dari individu baru tsb (offspring) memiliki nilai yang lebih baik dari individu sebelum proses mating(parent). Seperti pada Gambar 13 tampak bahwa nilai ff offspring lebih besar dengan selisih 67.824.

17

x_03 : ff =

2,558,324.618

x_04 : ff =

2,558,289.293

x_01 : ff =

2,198,430.228

x_02 : ff =

2,198,426.46Gambar 10. Nilai total f1 dan f2 Individu populasi awal

Gambar 11. Proses cross over

Gambar 12. Proses Mutasi

Page 18: Copy of PROPOSAL TA--benar2

Bila nilai ff total offspring lebih baik dari nilai ff total milik parent maka parent digantikan oleh offspring. Bila sebaliknya maka parent tidak tergantikan. Pada Gambar 13 menunjukan bahwa nila ff total dari offspring lebih besar daripada milik parent, sehingga pada generasi berikutnya posisi parent digantikan oleh offspring.

Kembali ke proses pengurutan nilai fitness function dari hasil perhitungan sum of weighted cost function untuk tiap individu, sesuai Gambar 14. Dan dilakukan terus hingga didapatkan individu yang memiliki coverage area maksimum dengan biaya minimum.

Pada Gambar 14, individu x_12 (hasil mating dari individu x_02) menepati posisi nilai ff total terbaik di urutan ke-3, sehingga individu yang akan mengalami proses mating berikutnya adalah individu x_11.

Proses ini akan dilakukan berulang-ulang hingga mencapai keadaan konvergen untuk beberapa iterasi. Gambar 15 memperlihatkan bahwa kondisi konvergen dicapai setelah kurang lebih 100 iterasi.

18

Gambar 13. Proses pembandingan offspring dan parent

Page 19: Copy of PROPOSAL TA--benar2

2

4

6

8

Nilai total f1 dan f2 konvergen

= Nilai total f1 dan f2 untuk tiap regenerasi

Iterasi (regenerasi) ke-

0 100 2000

1000000200000030000004000000500000060000007000000

7.3 Pengujian dan analisa sistemPada proses pengujian ini dianalisa bagaimana kromosom-kromosom individu dari hasil Algoritma Genetika tersebut dapat berada pada posisi-posisi tertentu di coverage area, dimana posisinya dapat meng-cover area sebanyak-banyaknya dengan biaya WSN sesuai batas. Dan dicari berapakah biaya minimum yang berhasil didapatkan untuk membangun WSN yang dapat meng-cover plant PENS-ITS. Individu yang berhasil memenuhi MOO harus dapat memenuhi syarat- syarat sebagai berikut ini :

• Berhasil meng-cover lebih dari 90% luas total coverage area yang ditentukan.

• Biaya minimum dicari dari pengurutan nila f1 dari individu-individu yang berhasil memenuhi syarat minimal luas total coverage.

• Sedangkan proses pencarian generasi individu optimum akan dihentikan setelah nilai ff total tidak ada perubahan (konvergen) selama 25 kali iterasi.

Untuk memudahkan analisa sistem, output sistem akan ditampilkan dengan data tabel dan grafik perbandingan iterasi dan nilai fungsi biaya dan coverage individu, juga visualisasi berupa gambar yang merepresentasikan coverage area dan sensor’s coverage yang meng-cover coverage area sehingga dapat dilihat daerah-daerah yang belum ter-cover, overlapping dan daerah yang ter-cover.

8.HASIL YANG DIHARAPKANHasil yang diharapkan pada proyek akhir ini adalah simulasi coverage sensor nodes dengan sum of weighted cost funtion genetic algorithm untuk mencapai multiple objective optimizations ini, dapat digunakan untuk perkembangan teknologi WSN dan efisiensi dana untuk pembuatan WSN.

19

Gambar 15. Proses iterasi hingga mencapai konvergen

Page 20: Copy of PROPOSAL TA--benar2

0 50100 150200

0.4

0.6

0.2

fitness function ternormalisasi

= biaya 1

= biaya 2

= coverage 1

= coverage 2

Gambar 17. Tampilan simulasi coverage yang diharapkan

7

Dari Gambar 16, dapat dilihat bahwa tujuan dari simulasi ini adalah mendapat titik temu antara fungsi biaya dan coverage ternormalisasi. Karena pada fungsi biaya, diharapkan dalam setiap iterasinya, nilainya akan menurun sedangkan fungsi coverage diharapkan dalam setiap iterasinya, nilainya semakin membesar.Namun, tidak menutup kemungkinan bahwa grafik fungsi biaya dan coverage tidak pernah bertemu seperti yang ditunjukan grafik garis putus-putus tsb. Jika demikian, perlu dilakukan analisa hingga ddidapatkan hasil sesuai yang diharapkan.Sedangkan tampilan dari simulasi yang diharapkan adalah seperti Gambar 17, dimana inputan yang dapat diatur oleh user adalah banyaknya sensor yang dikehendaki.

20

Gambar 16. Grafik perbandingan iterasi dan fitness function ternormalisasi yang diharapkan

Iterasi (regenerasi) ke-

Page 21: Copy of PROPOSAL TA--benar2

User dapat menentukan banyaknya sensor yang diinginkan, lalu user menekan tombol “START”. Secara otomatis, muncul gambar ketika service area berhasil di-cover hingga konvergen dan muncul grafik yang menunjukan pada iterasi ke berapa tercapainya titik temu antara biaya dan coverage. Sedangkan besarnya nilai biaya dan coverage akan ditampilkan pada kotak di bawah bagian visualisasi.Namun user dapat melihat bagaimana visualisasi coverage yang dihasilkan pada urutan iterasi tertentu dengan menggeser pointer pada grafik.

9.RELEVANSI :Hasil dari pembuatan simulasi ini diharapkan dapat digunakan sebagai tugas Akhir. Dan dapat menyelesaikan permasalahan Multiple Objective Optimization yaitu penekanan biaya dan memperluas coverage yang di-cover sensor terutama pada pembuatan jaringan wireless sensor di PENS-ITS.

10.JADWAL :SE-

MES-TER

Kegiatan Bulan1 2 3 4 5 6 7 8 9 10 11 12 13

1 1. Formulasi permasalahan Coverage Area (CA). Model CA sederhana tanpa

overlapp antar CA-s1 dan CA-s yang lain. Jika terpaksa overlapp tidak terlalu banyak reff : buku di lab sinyal

Studi pustaka tentang modelling CA yang sudah berkembang sampai sekarang reff: Journal Sammi Habib

Studi tentang GA(Genetic Algorithm) reff : buku Randy&Sue Elten Haupl di lab sinyal atau Perpustakaan PENS

*

2. Menyusun Suatu Model CA dengan GA (Genetic Algorithm).

Formulasikan permasalahan yang akan dikerjakan dengan GA dengan batasan-batasan Multiple Objective Optimization(MOO) Sum of Weighted Cost

Function Spesifikasikan Algoritma GA

yang digunakan

* *

3. Merencanakan Sistem dan Pen- jadwalan Pekerjaan PA. Menyusun proposal PA dan

* * *

21

Page 22: Copy of PROPOSAL TA--benar2

mem-presentasikan dalam seminar Proposal Proyek Akhir

2

1. Memodelkan sistem secara lebih mendetail sesuai dengan algoritma yang dipilih, yaitu dengan MOO (Multiple Objective Optimization).

* *

2. Melakukan simulasi dengan Java dengan tampilan sederhana dan constrain-constrain terbatas.

* *

3. Melakukan analisa dari sistem pemodelan dan simulasi yang telah dibuat.

*

4. Menyusun Laporan Progress Report I dan mengimplementasikanya + demo.

* * *

3

[1] Menyempurnakan model sehingga mendekati kondisi real.

* *

[2] Melakukan simulasi Java dengan tampilan GUI

* *

[3] Melakukan analisa hasil simulasi.

* *

[4] Menyusun laporan Progress Report II, buku proyek akhir, paper ilmiah.

* * *

[5] Mengikuti seminar ilmiah dan menyajikan makalah hasil penelitianya. IES, SMA, dsb

* *

[6] Melakukan presentasi PA dan mendemokan hasil simulasi.

*

Keterangan Bulan : 1 = Juni 2010

11.PRAKIRAAN BIAYA :

Kategori Biaya/unit Volume JumlahLaptop BYON M31W Rp. 6.500.000,- 1 Rp. . 6.500.000,-Full packaged Windows 7 Ultimate [6]

Rp. 2.896.000,- 2 Rp. 2.896.000,-

NetBean IDE 6.8 free Pulsa Akses internet Rp. 50.000,- 12 Rp. 600.000,-Modem SMART ZTE Rp. 435.000,- 1 Rp. 435.000,-Fotocopy Buku Practical Genetic Algorithm

Rp 74.000,- 1 Rp. 74.000,-

Printer dan Tinta Printer Rp. 700.000,- 1 Rp. 700.000,-

22

Page 23: Copy of PROPOSAL TA--benar2

Penjilidan Buku Rp. 30.000,- 3 Rp. 90.000,-Kertas A4 Rp. 36.000,- 3 Rp. 108.000,-Buku Java Tutorial Rp. 100.000,- 1 Rp. 100.000,-

Total Biaya Rp. 11.503.000,-

12.DAFTAR PUSTAKA : [1] J. Habib, Sami.Modelling And Simulating Coverage in Sensor

Network.http://www.elsevier.com/locate/comcom.[2] Boukerche, Azzedine, Xin Fei.A coverage-preserving scheme for wireless

sensor network with irregular sensing range. www.elsevier.com/locate/adhoc.

[3] Kour Ahuja, Sandeep, Shrinivasa Kini, Srinivasan Ramasubramanian. Bounds on coverage time and node density for multi-modality sensing. www.elsevier.com/locate/adhoc .

[4] Randy, Sue E.”Practical Genetic Algorithm”.(referensi buku perpustakaan D4)[5] http://www.beacukai.go.id/rates/exchRateID.php [6] http://cenary.com/perkiraan-harga-windows-7.html

23