Pengembangan simulator Distributed Support Vector Machine (DSVM) pada Wireless Sensor Network (WSN) menggunakan simulator Castalia

Abstract

Wireless Sensor Network adalah sebuah jaringan nirkabel yang terdiri dari node-node sensor yang saling berkomunikasi satu sama lain. Node-node ini dapat berkomunikasi, melakukan komputasi, dan memiliki kemampuan untuk melakukan sensing. Meneliti suatu algoritma pada lingkungan WSN, memiliki banyak faktor yang dibutuhkan seperti membutuhkan node yang banyak, membutuhkan persebaran node yang spesifik, dan berbagai kondisi lingkungan spesifik untuk menguji algoritma tersebut. Faktor-faktor ini dapat menghabiskan waktu dan biaya saat melakukan pengujian, salah satu solusinya adalah dengan menggunakan simulator untuk mensimulasikan faktor-faktor tersebut dengan mudah. Salah satu simulator jaringan yang dapat digunakan adalah Castalia dengan OMNeT++ sebagai platform. Castalia dibangun sedemikian rupa agar mendekati kondisi pengujian pada WSN di dunia nyata. Pada skripsi ini telah dibangun sebuah simulator untuk mengimplementasikan algoritma AdMoM-DSVM pada WSN. Algoritma diimplementasi untuk memprediksi kelas dari suatu data set. Distributed Support Vector Machine merupakan algoritma Support Vector Machine yang dijalankan pada lingkungan yang terdistribusi seperti pada WSN. Pada skripsi ini algoritma diimplementasikan pada WSN dengan topologi flat. Support Vector Machine sendiri adalah algoritma supervised learning yang melatih model dan menklasifikasikan data linear maupun tidak linear menjadi dua kelas dengan memaksimalkan margin antara support vector. Pengujian pada skripsi ini bertujuan untuk mengetahui performa dari algoritma yang telah diimplementasikan. Performa diukur melalui nilai empirical risk yang akan menunjukkan persentase error dari prediksi yang dilakukan oleh simulator. Semakin besar empirical risk semakin tidak baik performa dari simulator. Pengujian dilakukan menggunakan jumlah node, kepadatan jaringan (rata-rata tetangga tiap node pada jaringan) dan jumlah data uji yang berbeda-beda. Pengujian menghasilkan nilai empirical risk dengan nilai diantara 0.1098 sampai dengan 0.1545. Dengan kata lain, akurasi prediksi algoritma MoM-DSVM pada pengujian yang dilakukan mencapai 84.55% sampai dengan 89%.