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
JURUSAN TEKNIK TELEKOMUNIKASI POLITEKNIK ELEKTRONIKA NEGERI SURABAYA INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA Agustus , 2010 1
AB T AK 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 QoS(Quality of Service) Service) dari WSN tersebut. Namun untuk mendapat coverage yang luas, diperlukan dana yang besar pula. Oleh sebab itu dengan MOO(Multiple MOO(Multiple Objective Optimization) Optimization) dalam hal ini sum of weighted cost functions-algoritma functions -algoritma turunan dari genetic algorithm- akan dicari komposisi berbagai macam letak dan jenis sensor yang dapat meng-cover 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 cost function yang merepresentasikan biaya total WSN dan fitness functio f unction n yang merepresentasikan merepresentasikan coverage sensor nodes.
Kata kunci : WSN, coverage, genetic algorithm, multiple objective optimization
3
1.
JUDUL
KAR YA IL IL
IAH :
ANAL ANALISA KINE KINER JA DAN SIMULASI COVE COVERAGE RAGE DI WIR ELESS ELESS SENSOR NET NETWORK WORK (WSN) UNTUK MULT LTIP IPLE LE OBJECTIVE IVE OPT OPTIMIZ IMIZATION (MOO) DENGAN S UM OF WE WEIGHTE IGHTED COST COST FUNCT NCTION GE GENET ETIC IC AL ALGORIT GORITHM
2. R UANG LINGK UP : y y y
3.
Dasar P Dasar P rogramming rogramming Jaringan wireless sensor Algoritma Genetika
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 (G A). Simulasi ini mengenai bagaimana merancang posisi wireless sensor agar dapat mengcover area sebanyak-banyaknya sebanyak-banyaknya dengan dana da na yang seminimal semi nimal mungkin.
4. LATAR BEL AR BELAKANG AKANG : 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 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. coverage. Masalah coverage memiliki banyak interpretasi, tergantung tipe sensor dan aplikasinya. Namun, banyak peneliti mempertimbangkan coverage sebagai ukuran dari kualitas (Quality ( Quality of Service) 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) floorplan) dan penempatan (placement (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
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]. [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 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 MASAL 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. lebar coverage. Daerah penyebaran sensor yang disimulasikan berupa bidang datar, dan diimplementasikan pada ruangan terbuka di PENS-I TS. Daya jangkau sensor tidak dapat menembus constrain, dalam hal ini constrain diinisialisasikan sebagai tembok bangunan. bangunan. Menggunakan bahasa pemrograman java. y y
y
y
y
6. TINJAUAN P USTAKA : 6.1 Penelitian yang pernah dilakukan Paper milik Sami J Habib, memodelkan daerah peletakan sensor yang dibagi menjadi 2 sub masalah yaitu pemetaan (floorplan) (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. node. Dengan menyesuaikan radius r u 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 5
mel mel (1) menurunkan batas atas dan bawah pada coverage ti e yang akan di apai; (2) merumuskan masal masa lah pemaksi emaksimal malan multi multi modalit modalit coverage time time seb sebagai agai program linear linear ; dan (3) mengemb mengembangkan heur i heur istik tik unt untuk menghit menghitung ung coverage time time yang dapat di apai keti ketika ka jar ingan diop erasi eras ikan secara ber tahap. ahap.D Dan unt untuk esti estimas masii node densit densit , mereka mengeval mengevaluasi uas i prob robabilitas ilitas bahwa seb sebuah titik titi k tecover oleh sed sedik itn itnya sat satu nod node unt untuk seti setiaap mod modality lity unt untuk peny enyebaran densit ensity y ter tent entu dengan memp memper tim ti mbangkan korel korelasi asi yang mungk in dengan ter deteksi eksinya informasi nformas i [3] 1
3
2
3
4
6.2.
PENGENALAN WSN WSN atau wirel reless sensor net network adalah peny enyebaran sensor-sensor yang terhub erhubung dalam suat suatu jar ingan. ngan. K omp omp onen t er penti enting ng peny enyusun WSN tent entu saj saja adalah S ensors yang Integrat egrated Wirel reless Transcei ransceiver dan didukung oleh perkemb erkembangan yang ada di dalam teknol eknologi ogi MEMS (M l ect ect roro-M echani echanical cal Mi cro-E l Syst Syst ems). ems). MEMS send sendir i adalah integrasi egrasi dar i elemen-el emen-elemen mechani mechanical cal, sensor , act actuat uator , dan elect ectroni ron ics dalam suat suatu silicon ilicon sub su bstrat rate mel melalui teknol eknologi ogi microfab crofabr icati cation on.. Pada Gamb ambar 1 tamp ampak beberap erapa sensor nod node, yaitu itu posi osisi sensor yang bagai aga ikan seb sebuah titik titik dalam suat suatu daerah yang akan di-cover. Sensor itu itu send sendir i memili memilik k i panj anjang rad radius coverage ter tent entu, yang dapat menent menentukan sej sejauh mana sensor dapat mend mendet eksi eksi obj object ect Sensor node nya dan diseb sebut seb sebagai aga i sensor¶s coverage. Sensor¶s coverage ber bent entuk lingkaran lingkaran karena sensor mend mendet eksi eksi Sensors sep sepanj anjang rad radius ter tent entu ke segal segala arah, arah, dengan panj anjang rad radius sensor adalah coverage besar jar i-jar i sensor¶s coverage. Bila Bila juml umlah luas beb erap erapa sensor¶s coverage dijum ijumllahkan, ahkan, bisa diseb sebut seb sebagai aga i coverage area karena merup merupakan total Service area area yang t erer-cover. Lalu servi service area adalah daerah yang diten itenttukan unt untuk dicover oleh sensor , pada Gamb ambar 1, servi service area diin iinisialisas lisasii seb sebagai aga i Gambar 1 Sensor dan coverage seb sebuah persegi ersegi. Namun sensor memil memiliik i beberap erapa ket keter batasan, asan, yaitu itu pada masal masa lah Energy, C omput omput ation, tion, S t t orage, orage, Transmi Transmissi ssion range, dan Band wid wid t t h. h. Sehi ehingga dalam memp mempelajar i WSN ini, ter dapat beberap erapa tant antangan yang memp mempengaruh. engaruh. Se Seper ti: ti: eepl y d ist r ri but but ed ed archit archit ect ect ure, ure, ar tin tinya koor dinasi nasi secara lokal okal unt untuk Deepl mencap mencapai goal goal dar i sistem, em, tanp anpa infrast nfrastruk tur dan tanp anpa cent cent ral ral cont cont rol rol suppor t t. Aut onomous onomous operati operation: on: self self -organi -organ i ation, tion, self self -confi -configura gurati tion, on, adapt adapt ation, tion, excepti exception on--f ree. ree. 6
5
6
TCP/IP
bersifat terbuka, implementasi luas, mendukung banyak physical network, relatively efficient dan berbobot ringan, tetapi memerlukan manual intervention untuk konfigurai penggunaannya. penggunaannya. nergy conservation: conservation: physical, MAC, link, route, application. E nergy Scalability, artinya terskala oleh kepadatan node, node, jumlah dan jenis networks. Scalability, Scalability dalam WSN ini dibatasi hanya sampai 1000-an nodes. nodes. centri c network: address free route -data dengan penamaan, Data centric reinforcement-based reinforcement-based adaptation-pengumpulan adaptation-pengumpulan data di lakukan di dalam. battery, serta computation sensor , Batasan kemampuan storage dan daya battery, karena memorinya yang kecil akibat ukuranya yang mini. Lower bandwidth dan high error rates. Walaupun dengan dengan batasan bata san dan tantangan s eperti di atas, WSN tetap dirancang agar: Beroperasi dalam self-configured mode (tapa dukungan infrastructure network ). ). Limit memory pada protocols. simple, yet efficient Limit computation fiprtlukan pada protocols 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 meng- cover area area operasi lebih luas Redundancy Kepresisian data meningkatkan karena multiple nodes yang berdekatan dapat saling mengkoreksi mengkoreksi kesalahan. Improved accur acy acy Banyak Sensor node mengkolabirasi dan mengkombinasikan mengkombinas ikan data untuk meningkatkan akurasi dari data hasil sensor sens or.. Ext ended ended functi functi onal it it y Sensor node tidak hanya mambentuk fungsi sebagai sensor, tetapi juga menyediakan layanan yang lain. Wireless sensor networks(WSN) networks (WSN) dapat dipertimbangkan sebagai salah satu bagian dari Mobile Ad-hoc N ET works (MANET). Namun WSN nodes memiliki power ET works lebih rendah, computation dan communication lebih sederhana dibandingkan dengan MAN ET nodes . MANETs memiliki tingkat mobilitas yang tinggi, ET nodes. sedangkan sensor networks sebagian besar stationary besar stationary.. Routing protocols cenderung complex di dalam MANET, tetapi relatif sederhana untuk sensor networks. MANET bersifat address centric, centric, WSN bersifat data centric. centric. Walaupun Lowpower 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, nodes, dan cenderung stationary. Scalability dalam beberapa ratus sampai ribuan nodes akan menyebabkan sulitnya membangun WSN dengan baik. energy-efficient protocols. GOAL: Simple, scalable, energy-efficient 6.3 Arsitektur WSN 7
Cluster 2 INTERNET and
Sate te 7
7
8
SINK
C
B
Cluster 3
TA SK MANAGER
Cluster 1
NO DE (U SER)
A
SENSOR NO DE Gam bar 2. Arsitektur Jaringan 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 clustering diaplikasikan secara recursive untuk membentuk suatu tingkatan clusters. clusters. Pada Gambar 3 dicontohkan proses clustering pada sensor network.
G am bar 3. Proses Clust erin erin
9
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 daera h kerjanya. 6.4 MOO (M ul ul ti ti ple Objecti Objecti ve Opti miz ati ons) Optimasi adalah proses mengatur input-input dari suatu device, device, proses matematik, atau eksperimen untuk menghasilkan suatu output yang maksimal. Namun output yang akan dioptimasi bisa hanya satu output ata u lebih. Bila output yang dioptimasi 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 : E xhausticve xhausticve search Analytical optimization Simplex method Natural selection 8
Pada sistem ini, dipilih cara pengoptimasian menggunakan natural selection yang telah dikembangkan menjadi genetic algorithm. 6.5 Algoritma Algoritma Genetika Algoritma Genetika atau Genetic Algorithm (G A) merupakan algoritma pencarian heuristic yang didasarkan atas mekanisme evolusi biologis, yang terinspirasi oleh teori t eori evolusi dari Charles Charl es Darwin. Darwi n. Dengan kata lain pencarian solusi suatu masalah dengan dengan algoritma algoritma genetik akan terus berevolusi. Inti dari algoritma genetika adalah secara bertahap mencari solusi terbaik (survival (survival of the fittest ) dari begitu banyak solusi yang ada. Pertamatama 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 individu dan satu individu individu terdiri dari satu kromosom. kromosom. Kumpulan dari individu-individu individu-individu ini akan membentuk suatu populasi, populasi, dari populasi ini akan lahir populasi-populasi 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. populasi. Dalam populasi terdiri dari beberapa individu. Dimana individu ini merupakan kumpulan kumpulan kromosomkromosomkromosom. P opulasi awal dibangun secara acak, sedangkan populasi berikutnya merupakan merupaka n hasil evolusi kromosom-kromosom kromosom-kromos om melalui iterasi itera si yang disebut dengan fungsi fitness. 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 G A. 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 berikut : Seleksi : memilih kromosom terjelek. CrossOver atau Mutasi Memasukkan kromosom-kromosom 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 langka h 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. Function. 6.6 S um of Weight Weight ed ed C ost Fuc t Fucti ti on Adalah metode untuk mencapai Multiple Objectives Optimization dengan mengalikan tiap fungsi dengan suatu pembobot dan menjumlahkanya [4]. Sesuai dengan rumus : 9
N C ost ost = =
Wn f n ............................... .......................................... ........... (1) n=1 n=1
dimana : f n adalah fungsi fungsi biaya n dan 0<= 0<= f n <=1 Wn adalah weight ght ed f ed f act act or d or dan =1
Dengan met metode ini, k ita ita dapat mengat mengatur komp komp osi osisi dar i ked kedua fungsi fungsi (fit ness ness f uncti unction on dan cost cost f uncti unction on)) menggunakan nila ilai var iabel pemb embobot guna menekankan pr ior itas itas unt untuk fungsi fungsi ter tent entu maup maupun ked kedua fungsi fungsi tsb dengan d engan harap harapan dapat mencap menca pai multi multip pl e obj ob jecti ectives ves opti optim mi ation tion,, ya y aitu itu pemb embuat uatan jar ingan WSN yang dapat meng-cover meng-cover area sel seluas-l uas-luasny uasnya dengan biaya semi seminimal mal mungk in. @
7.
METODOLOGI :
Untuk meny menyelesai esaikan proy ro yek akhi akhir pada bagi agian pemrograman simul mulasi as i coverage sensor nodes nodes, dil dilakukan akukan langkah-l angkah- langkah seb sebagai agai ber ikut: kut: 7.1
Perancangan Si Si em Sistem dibuat uat menggunakan sum of of weight ght ed ed cost cost f uncti unction, on, turunan dar i algor itma itma geneti genetika ka.. K arena arena pada sistem yang akan dibuat uat ini memili memilik k i 2 tujuan yang sali saling ng berkont erkontrad radiksi ksi, yaitu itu biaya total pemb embuat uatan jar ingan WSN yang semi seminimal mal mungk in namun sensor-sensorny sensor-sensorn ya da pat meng-cover meng-cover area sel seluas mungk in (MOO). Padahal ahal dalam keny kenyataany aan ya, harga sensor sel selalu seb seband anding dengan panj anjang rad radius coverage sensor [1]. Se S eper ti ti data Tabel 1, yang akan digunakan dalam simul mulasi as i ini seb sebagai agai var iabel input jeni enis sensor : sensor : Tabel Tabel 1. Tabel Tabel daftar jeni jeni sensor F
Sens evice Identificati n A
B
C
Sens
A
B
Ty e D
A
Radius f c ve age A
1
Te
2
Te
3
Te
4
Te
5
Te
6
Te
7
Te
8
Te
9
10
Te Te
11
Te
12
Te
E
D
E
D
E
D
E
D
E
D
E
D
E
D
E
D
E
D
E
D
E
D
E
D
Sens device c st,($)
A
A
B
B
A
e atu e
1
50
e atu e
5
15 0
e atu e
8
16 0
e atu e
10
250
e atu e
15
300
e atu e
20
600
e atu e
25
700
e atu e
30
800
e atu e e atu e
35
8 25
40
850
e atu e
45
900
e atu e
50
1000
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
Dar i urai uraian terseb ersebut, bl blok d ok diagram sist em ini dirancang sep seper ti ti Gamb ambar 4. ar 4. 10
y
y
Penent enentuan fit ness ness f uncti unction on dan cost cost f f uncti unction on
Inisialisas lisasii populasi asi
Penent enentuan var iabel input : o Jeni enis sensor Posi osisi sensor o
Anali nalisa sa hasil hasil apakah berhasil erhasil memenuhi memenuhi MOO dengan dengan coverage yang diten itenttukan dan biaya yang dito itoleransi eransikan. kan. Has Hasil il dibent entuk tabel, graf ik d k dan visuali sualisas sasii unt untuk memp mempermud ermu dah anali ana lisa sa..
Hitung itung nila ilai coverage dan biaya unt untuk ti uk tiaap individu lalu hitung itung totalnya menggunakan rumus sum of of w weight ght ed ed cost cost f uncti unction on kamud kamu dian diurut uru tkan (rangk ing) ng)
Cek fit ek fit ness ness f ucti uction on individu hasil hasil mati mating ng y yang didapat dar i sum of of weight ght ed ed cost cost f f uncti unction on dengan ff induk
Lakukan Proses mati mating ng
Gambar 4. Blok di diagram perancangan si s istem
Per tama adalah penent enentuan fit ness ness f uncti unction on dan cost cost f uncti unction on,, dalam hal hal ini diin iinisialisas lisasiikan seb sebagai aga i coverage area dan biaya total WSN. La Lalu paramet arameter yang dimasukan (var iabel input) adalah posi osisi sensor dan jeni enis sensor seb sebagai agai kromosom dimana seti setiaap individu memili memilik k i beberap erapa kromosom. kromosom. Var iabel input jeni enis sensor akan dipakai akai unt untuk menent menentukan besarny esarnya nila ilaicost cost f uncti unction on (bi (biaya WSN) sed sedangkan posi osisi sensor akan menent menentukan besar coverage area sensor . K arena arena bila ila posi osisi sensor berad erada di dekat ekat const const rai rain, maka besar coverage area sensor tsb akan berkurang. erkurang. Var iabel input jeni enis sensor dapat diliha ilihatt pada Tabel 1, sed sedangkan penenmp enenmpatan posi osisi sensor pada PENSPENS-ITS sesuai sesuai Gamb ambar 5.
Gambar 5. Penempatan posi pos isi sensor
11
Gambar 5 adalah ga mbar denah PENS-ITS, dimana daerah yang akan ditempati oleh sensor ± sensor yang dibangkitkan adalah pada bagian berwarna hijau. Karena sensor yang ya ng dibangkitkan diletakan di luar ruangan, maka daya da ya 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 dijelaska n dengan dengan Tabel 2 berikut : Tabel 2 .
Daftar
individu populasi awal
Individu 1 Kromosom :
b0 x1
b1 y1
b2 I
b3 x2
b4 y2
b5 I
b6 x3
b7 y3
b8 III
b9 x4
b10 y4
b11 II
Individu 2 Kromosom :
b0 x1
b1 y1
b2 II
b3 x2
b4 y2
b5 I
b6 x3
b7 y3
b8 II
b9 x4
b10 y4
b11 III
Individu 3 Kromosom :
b0 x1
b1 y1
b2 II
b3 x2
b4 y2
b5 I
b6 x3
b7 y3
b8 V
b9 x4
b10 y4
b11 IV
Individu 4 Kromosom :
b0 x1
b1 y1
b2 III
b3 x2
b4 y2
b5 I
b6 x3
b7 y3
b8 IV
b9 x4
b10 y4
b11 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 dengan cara car a sebagai berikut : y 8
D
6
R1
A
B
4
C
2
0
2
6
4
8
10
Gambar 6 . Penentuan cover ag e ar ea ea sensor di titik A
12
x
Dicontohkan pada Gambar 6 adalah sensor di titik A(8,5) dengan jari-jari radius coverage sensor sejauh R 1. 1. Untuk menentukan coverage area sensor tersebut, maka semua titik pada service area di atas akan diuji dengan cara : 2 2 2 Bila : ((8-x) +(5-y) ) (R 1) .............................................................. (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) : 2 2 2 B = ((8-2) +(5-5) ) (3) B = ( 36 + 0 ) 9 jadi B = 0 o Pengujian untuk titik C(8,3) : 2 2 2 C = ((8-8) +(5-3) ) (3) C=(0+4) 9 jadi C = 1 o Pengujian untuk titik D(1,6) : B = ((8-1)2 +(5-6)2 ) (3)2 B = ( 49 + 1 ) 9 jadi D = 0 Sedangkan 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 program untuk menentukan apakah titik tersebut ters ebut bernilai bernilai 1 atau 0 : 2
2
2
2
2
2
2
2
(((x1-x) +( y1 -y) ) (R 1) ) || (((x 2-x) +( y2-y) ) (R 2) ) || (((x3-x) +( y3 -y) ) (R 3)2 ) || (((x4-x)2 +( y4 -y)2 ) (R 4)2) ............................................................. (3) Setelah titik-titik yang ter-cover ter- cover ditemukan, 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 untuk coverage digunakan luas total service area, sebagai bandingan coverage terluasnya. terluasnya. dan coverage ternormalisasi adalah sebagai Jadi, untuk mendapatkan nilai biaya dan berikut : f 1 = harga total sensor sens or individu indivi du x 100 % ................. ............ ..... .............................. .................. ............ (4) ( 1000$ x 4 ) f 2 = coverage total individu x 100 % ........................... ......... .................................... ......................... ....... . (5) luas service area Dengan f 1 dan f 2 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
Individu-individu terjelek akan di-mating, 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 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 r andom. andom. Kemudian nilai total f 1 dan f 2 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. 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 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 f 1 dan f 2 dari tiap individu di tiap generasi. Dan konvergen dalam hal ini dimaksudkan untuk suatu keadaan dimana tidak ada perubahan dalam nilai total f 1 dan f 2 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 Sistem Pada 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 R p. p. 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. Ta bel 3. Inisialisasi varia bel input (jenis sensor) Jenis
R adius adius cakupan sensor(m)
Biaya (R (R p) p)
A
1
450.450,-
B
5
1.351.350,-
C
8
1.441.440,-
14
Gambar
D
10
2.252.250,-
Sistem ini menggunakan Genetic Algorithm, dimana flowchart dari program simulasi GA adalah seperti Gambar 7. START
1. Definisi cost function dan fitness function 2. Pilih parameter-parameter GA Bangk tkan pop as G
H
I
G
awal C od od ng kromosom P
fun ti on on dan lak kan rangk ng Dapatkan fit ness fun Q
H
G
Mati Mati ng( ng( r oss ov er er ) Q
Mutasi N
Periksa konvergensi Y
Individu optimum END lowchar t t pem buatan sistem Gam bar 7. F lowcha
Dimulai dari definisikan fitness f unction(f unction(f 1) dan cost function(f 2) sebagai penentuan nilai coverage. Terdapat 2 fungsi karena memiliki dua objectives, objectives, yaitu fungsi biaya dan coverage. Dan untuk parameter15
paramet arameter GA, ya yaitu itu posi osisi sensor dan jeni enis sensor , posi osisi sensor dibangk itkan itkan secara random sed sedangkan jeni enis sensor diin iinisialisas lisasiikan sesuai sesuai Tab el 3.
Bangk itkan itkan populasi as i awal awal seb sebany an yak n individu, dimana tia tiap individu memili memilik k i beberap erapa kromosom. kromosom. Dan tia tiap kromosom merep merepresent resentasi asikan posi osisi-posi osisi sensor dan jeni enis sensor . Di Gamb ambar 8 ini dicont contohkan pemb embangk itan itan 4 individu awal awal (x_01, x_02, x_03 dan dan x_04) dengan d engan 4 buah kromosom. kromosom. Untuk memp mempermud ermudah p enj enjelasan tent entang algor itma itma Geneti enetika ka pada pemb embuat uatan sistem ini, mak a servi service area diin iinisialisas lisasiikan seb sebagai agai bidang datar b ar ber bent entuk p uk persegi ersegi panj anjang sep seper ti ti Gamb ambar 8.
Gambar 8. Indi idu populasi awal dan kromosomn a. U
T
K romosom romosom tia tiap individu merep merepresent resentasi asikan jeni enis sensor yang menent menentukan harga dan panj anjang rad radius coverage sensor, sed sedangkan posi osisi sensor menent menentukan besarny esarnya coverage total dar i individu. Jeni enis sensor disimbolkan dengan huruf sesuai sesua i yang ter tera pada tabel 2, sed sedangkan posi osisi sensor disimbolkan dengan x dan y, dimana index pada ked kedua huruf tsb meny menyatakan urut urutan kromosom saat saat dibangk itkan itkan secara rand random. om. Dar i tia tiap individu dihitung itung nila ilai f dan f , lalu dihitung itung totalnya menggunakan rumus sum of of weight ght ed ed cost cost f uncti unctions. ons. Pada Gamb ambar 9 ber ikut kut menamp menampilkan ilkan nila ilai f dan f . S
R
S
R
ilai Gambar 9. Nila
f dan f Indi idu populasi awal V
W
X
Gamb ambar 9 memp memper liha lihattkan nila ilai f dan f unt untuk seti setiaap individu, lalu dengan rumus (1) di dihitung itung besar nila ilai f dan f total. K arena arena N menunj menunjukan juml umlah funsi funs i (f 1 dan f 2) maka N=2. Dan Dan karena juml umlah total pemb emb obot (W1 dan W2) adalah 1, jadi W1 = 0,6 dan dan W2 = 0,4. S
R
S
R
C ost ost = = W1 f 1 + W2 f 2 ................ .......................... ................ ...... . (6) C ost ost = = 0,6 f 1 + 0,4 f 2 ..................... ............................... ............ .. ( 7) 16
Maka dalam hal hal ini, komp komposi osisi unt untuk f yang merep merepresent resentasi as ikan coverage lebih bany anyak dar ipada biaya. Urut rutkan nila ilai fit ness ness f uncti unction on hasil hasil perhit erhitungan ungan dengan rumus sum of of weight ght ed ed cost cost f f uncti unction on terseb ersebut, dar i yang ter besar hingga yang terkecil erkecil.. Gamb ambar 10 menj menjelaskan b esar nila ilai total f dan f Individu populasi asi awal awal yang telah urut urut dar i besar ke kecil kecil.. Y
a
`
Gambar 10. Nila ilai
total f dan f Indi idu populasi awal i
p
q
Lakukan proses mati mating ng (d (daalam hal hal ini dimaksud maksudkan unt untuk proses cross over ) unt untuk individu ter jelek dan ter baik . Dengan cara menukar urut urutan kromosom ter tent entu dar i individu ter jelek dengan individu yang lain. Gamb ambar 11 mencont mencontohkan proses mati mating ng yang diber ikan hany han ya unt untuk individu ter jelek , dimana cross over dilakukan ilakukan pada kromosom urut urutan ke-3 ke-3 dan dan ke-4 ke-4 dar dar i individu x_02(t x_02(ter jelek ) dengan dengan individu x_01.
Gambar 11. Proses cross over
Lakukan proses mut mut asi asi unt untuk individu hasil hasil cross over t over tsb. Dengan D engan cara mengub mengubah kromosom pada urut urutan ter tent entu secara rand ran dom, om, dalam Gamb ambar 12 dicont contohkan bahwa kromosom yang dimut mutasi as i adalah kromosom pada urut urutan keke-3.
Gambar 12. Proses Mutasi
Uji apakah nila ilai ff total hasil has il perhit erhitungan ungan sum of of w weight ght ed ed cost cost f f uncti unction on da i individu a u ts (offspring) e ili i nilai yang le ih ai da i individu se elu ses mating parent). Se e ti ada Ga a 13 ta a ahwa nilai ff offspring le ih esa dengan selisih 67.824. b
c
c
d
f
b
b
c
d
h
g
c
c
d
f
b
17
e
b
f
c
d
c
b
c
d
e
f
b
e
c
Gambar 13. Proses pembandin an offspri g da pare r
s
s
s
t
Bila nilai ff t ff total off spr spr ing l ng lebih baik dar i nila ilai ff t ff total milik ilik parent parent maka maka
parent parent diganti gantikan kan oleh off spr spr ing . Bila Bila seb sebalikn likny ya maka parent parent tid tidak terganti ergantikan kan.. Pada Gamb ambar 13 menunj menunjukan bahwa nila ila ff total dar i off spr spr ing lebih besar dar ipada milik ilik parent parent , sehi sehingga pada generasi generas i ber ikut kutnya posi osisi parent parent d diganti gantikan kan oleh off spr spr ing. K emb embali ke proses p engurut engurutan nila ilai fit ness ness f uncti unction on dar i hasil hasil perhit erhitungan ungan sum of of weight ght ed ed cost cost f uncti unction on unt untuk tia tiap individu, sesuai sesua i Gamb ambar 14. Dan Dan dilakukan ilakukan terus hingga didapatkan individu yang memili memilik k i coverage area maksi maksimum dengan biaya minimum. mum.
Gambar 14. Proses pembandin an offspri g da pare t
u
u
u
t
Pada Gamb ambar 14, individu x_12 (has (hasil il mati mating ng dar i individu x_02) menep menepati posi osisi nila ilai ff total ter baik di urut urutan ke-3, sehi sehingga individu yang akan mengal mengalami ami proses mati mating ng b ber ikut kutnya adalah individu x_11. Proses ini akan dilakukan ilakukan berul erulang-ul ang-ulang hingga mencap mencapai kead keadaan konvergen unt untuk beb erap erapa iteras iterasii. Gamb ambar 15 memp memp er liha lihattkan bahwa kond kondisi konvergen dicap capai set setelah kurang lebih 100 iteras iterasii.
18
Nila ilai total f dan f
nve gen
8000000 8 60000006
= Nila ilai total f dan f unt untuk tia tiap regenerasi regeneras i
40000004 20000002 0 0
0
50
100
100
150
200
Iterasi erasi (regenerasi regenerasi) ke-
Gambar 15. Proses iterasi hin 7.
200
a mencapai kon ergen
Penguji Pengujian dan anali analisa sa si sistem Pada proses penguji engujian an ini dianali ana lisa sa bagai agaimana kromosom-kromosom individu dar i hasil hasil Algor itma itma Geneti enetika ka terseb ersebut dapat berad erada pada posi osisi-posi osisi ter tent entu di coverage area, area, dimana posi osisinya dapat meng-cover meng-cover area seb sebany anyakbany an yakny akn ya dengan biaya WSN sesuai sesua i batas. as. Dan dicar i berap erapakah biaya minimum yang berhasil erhasil didapatkan unt untuk memb membangun WSN yang yang dapat mengcover pl pl ant ant PENSPENS-ITS. In Individu yang berhasil erhasil memenuhi memenuhi MOO harus dapat memenuhi memenuhi syarat arat- syarat arat seb sebagai agai ber ikut kut ini : Berhasil erhasil meng-cover meng-cover lebih dar i 90% luas total coverage area yang diten itenttukan. ukan. Bia Biaya minimum dicar i dar i pengurut engurutan nila ila f 1 dar i individu-i u-individu yang berhasil erhasil memenuhi memenuhi syarat arat minimal mal luas total coverage. Sedangkan proses p encar ian generasi generas i individu optimum timum akan dihenti hentikan kan set setelah nila ilai ff total tid tidak ada perub erubahan (konvergen) konvergen) sel selama 25 kali kali iteras iterasii. Untuk memud memu dahkan anali ana lisa sa sistem, em, out output sistem akan ditam itamp pilkan ilkan dengan data tabel dan graf ik per band andingan iteras iterasii dan nila ilai fungsi fungsi biaya dan coverage individu, juga visuali sualisas sasii berup erupa gamb gambar yang merep merepresent resentasi asikancoverage kan coverage area dan sensor¶s coverage yang meng-cover meng-cover coverage area sehi sehingga dapat diliha ilihatt daerah-d aerah-daerah yang belum terer-cover , over l l appi apping d ng dan daerah yang terer-cover.
8. HASIL
ANG DIHARAPKAN
Hasil as il yang diharap harapkan pada proy ro yek akh ek akhiir ini adalah si ulasi coverage sensor nodes v
dengan sum of weighted cost f untion genetic algorithm untu enca ai multiple objective optimizations ini, da at digunakan unt untuk p uk perkemb erkembangan teknol eknologi ogi WSN dan dan ef isiensi ensi w
y
dana unt untuk p uk pemb embuat uatan WSN.
19
x
y
fit ness ness f uncti unction on ternormali ernormalisas sasii 0.6
= biaya 1
= biaya 2
0.4
= coverage 1
0.2
= coverage 2 0
50
100 150 Iterasi erasi (regenerasi regenerasi) ke-
200
Gambar 16. Graf ik perbandingan iterasi dan f itn itness f unction unction ternormalis asiyang diharapkan
Dar i Gamb ambar 16, da dapat diliha ilihatt bahwa tujuan dar i simul mulasi asi ini adalah mend mendapat titik titik temu ant antara fungsi fungs i biaya dan coverage ternormali ernormalisas sasii. K arena arena pada fungsi fungs i biaya, diharap harapkan dalam seti setiaap iteras iterasiinya, nila ilainya akan menurun sed se dangkan fungsi fungsi coverage diharap harapkan dalam seti setiaap iteras iterasiinya, nila ilainya semak in memb membesar . Namun, amun, tid tidak menut menutup kemungk inan bahwa graf ik fungs k fungsiibiaya dan coverage tid tidak pernah ber temu sep seper ti ti yang ditun itunjjukan graf ik gar is putusus-putus tsb. Jika demi emik ian, an, per lu dilakukan ilakukan anali analisa sa hingga ddi ddidapatkan hasil hasil sesuai sesua i yang diharap harapkan. kan. Sedangkan tamp ampilan ilan dar i simul mulasi asi yang diharap harapkan adalah sep seper ti ti Gamb ambar 17, 7, dimana inputan yang dapat diatur oleh user adalah bany an yakny aknya sensor yang dikehend kehendak i.
7
Gambar 17. Tampilan simulasi coverage yang diharapkan
20
dapat menentukan banyaknya sensor yang diinginkan, lalu user menekan tombol ³STAR T´ T´. Secara otomatis, muncul gambar ketika service area berhasil dicover hingga 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 menggeser pointer pada grafik. ser U ser
9. R ELEVANSI ELE VANSI : Hasil dari pembuatan simulasi ini diharapkan dapat digunakan sebagai sebagai tugas Akhir. Dan dapat menyelesaikan permasalahan Multiple Objective Optimization yaitu penekanan biaya dan memperluas coverage yang di-cover di- cover sensor terutama pada pembuatan jaringan wireless sensor di sensor di PENS-ITS.
10. JADWAL WAL : SEMES TER TER
Kegiatan
1. Formulasi permasalahan Coverage Area (CA). Model CA sederhana tanpa overlapp antar C A-s1 dan C A-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 G A(Genetic Algorithm) reff : buku R andy&Sue andy&Sue Elten Haupl di lab sinyal atau Perpustakaan PENS 2. Menyusun Suatu Model C A dengan GA (Genetic Algorithm). permasalahan Formulasikan yang akan dikerjakan dengan GA dengan batasan-batasan Multiple Objective Optimization(MOO) Sum of Weighted Cost Function Spesifikasikan Algoritma GA yang digunakan
Bulan 1
2
3
*
*
4
5
*
*
*
y
y
y
1
3. Merencanakan Sistem dan Penjadwalan Pekerjaan P A. Menyusun proposal P A dan
*
21
6
7
8
9
10
11
12
13
1.
2. 2 3.
4.
[1] [2]
[3] 3
[4]
[5]
[6]
mem-presentasikan dalam seminar Proposal Proyek Akhir Memodelkan sistem secara lebih mendetail sesuai dengan algoritma yang dipilih, yaitu dengan MOO (Multiple (Multiple Objective Optimization). Optimization). Melakukan simulasi dengan Java dengan tampilan sederhana dan constrain-constrain terbatas. Melakukan analisa dari sistem pemodelan dan simulasi yang telah dibuat. Menyusun Laporan P rogress rogress Report I Report I dan mengimplementasikanya + demo. Menyempurnakan model sehingga mendekati kondisi real. Melakukan simulasi Java dengan tampilan GUI Melakukan analisa hasil simulasi. Menyusun laporan Progress R eport eport II, buku proyek akhir, paper ilmiah. Mengikuti seminar ilmiah dan menyajikan makalah hasil penelitianya. IES, SM A, dsb Melakukan presentasi P A dan mendemokan mendemokan hasil simulasi.
*
*
*
*
*
*
*
*
*
* *
*
* *
*
*
*
*
*
Keterangan Bulan : 1 = Juni 2010
11. PRAKIRAAN BIAY IAYA : Kategori Laptop BYON M31W Full packaged Windows 7 Ultimate [6] NetBean IDE 6.8 Pulsa Akses internet Modem SMAR T ZTE Fotocopy Buku P ractical ractical Genetic Algorithm Printer dan Tinta Printer
*
Biaya/ iaya/unit R p. p. 6.500.000,6.500.000,R p. p. 2.896.000,-
Volume 1 2
free R p. p. 50.000,R p. p. 435.000,435.000,R p 74.000,-
12 1 1
R p. p. R p. p. R p. p.
600.000,435.000,74.000,-
R p. p.
1
R p. p.
700.000,-
700.000,22
Jumlah
R p. p. . 6.500.000,R p. p. 2.896.000,-
Penjilidan Buku Kertas A4 Buku Java Tutorial
12. DAFT AFTAR
[1] [2]
[3]
R p. p. 30.000,R p. p. 36.000,R p. p. 100.000,100.000,Total Biaya
3 3 1
R p. p. 90.000,R p. p. 108.000,R p. p. 100.000,Rp. 11.503.000,-
PUSTAKA :
J.
Habib, Sami.Modelling And Simulating Coverage in Sensor Network.http://www.elsevier.com/locate/comcom. Boukerche, Azzedine, Xin Fei. A coverage-preserving scheme for wireless sensor network with irregular sensing range. www.elsevier.com/locate/adhoc.. www.elsevier.com/locate/adhoc Kour Ahuja, Sandeep, Shrinivasa Kini, Srinivasan R amasubramanian. amasubramanian. Bounds on coverage time and node density for multi-modality sensing. www.elsevier.com/locate/adhoc .
[4]
Randy Sue E.Practical Genetic Algorithm.(re erensi buku perpustakaan D4)
[5]
http://www.beacukai.go.id/rates/exchR ateID.php http://www.beacukai.go.id/rates/exchR ateID.php http://cenary.com/perkiraan-harga-windows-7.html
[6]
23