Ê
Ê
Ê



P
    
 


       
   P P
PPP P
  
P PP
P P


 

     

 


   
 

 

  
 
!
  

 " 


!
#$%$ & c
c
      
P 

     
 P P P    P 
P  P   P P
P  P  P

 
 

    

'()($
 ' 
*  +,- -

+
, -  $.   '(- - '
 '$ 
-(*-$ / (
-- 
-'(- ' '.
$   -(
(  )
 ()*.' '.


+$ , (


 *  ,  +($ *. *.  

‘

‘‘
‘ ‘‘ c‘‘
‘ ‘ ‘
‘‘‘
   ‘ ‘‘‘‘
    ‘
‘
‘
‘
‘‘
 ‘ ‘‘‘  ‘
‘ ‘!"‘‘
‘‘‘     ‘ ‘
 # ‘ ‘
‘ ‘
‘ ‘‘‘‘‘‘ ‘‘
‘

‘‘‘‘$‘%&'‘ ‘‘
‘‘‘ ‘   #  ‘
‘

‘
p P p

‘
‘
Masalah Ñ
 pada 
 
 
(WSN) adalah untuk meletakan sensor
pada servis area yang dapat mencakup seluruh servis area. Masalah Ñ
 dalam WSN
sangat penting karena merepresentasikan QoS(


Ñ) dari WSN tersebut.
Namun untuk mendapat Ñ

yang luas, diperlukan dana yang besar pula. Oleh sebab
itu dengan MOO(
Ñ

 ) dalam hal ini 


Ñ 

Ñ  -algoritma turunan dari Ñ

 
akan dicari komposisi berbagai macam
letak dan jenis sensor yang dapat meng-Ñ

 seluas-luasnya dan dengan biaya
seminimal mungkin. Dengan 


Ñ 
Ñ  
perbandingan kedua fungsi
dapat diatur, sehingga optimisasi dapat ditekankan pada salah satu fungsi maupun kedua
fungsi tsb. Fungsi-fungsi dalam hal ini adalah fungsi Ñ  Ñ 

merepresentasikan
biaya total WSN dan

Ñ  yang merepresentasikan Ñ

 
  

Kata kunci : WSN, Ñ


Ñ
 

Ñ

 

‘
‘
‘
‘
‘
‘
‘
‘
‘
‘
‘
‘
‘
‘
‘
‘
‘
‘
‘
‘
‘
‘
‘
‘
‘
‘
‘
‘
‘

‘

‘
c ‘ •

pp
 p


ppp
•p

p
 p

p






P

 
P
 P

• P


PpP





p
 


P


P

  P

P
p
P



 ‘  p
 


‘ Dasar Ê 
‘ •aringan 
 
‘ plgoritma Genetika

£ ‘ P • p


Pujuan dari proposal judul tugas akhir ini adalah membuat simulasi mengenai
Ñ


(Cp) dari 
 
 
(WSN) untuk 
Ñ


 
(MOO) menggunakan algoritma genetika (Gp). Simulasi ini
mengenai bagaimana merancang posisi wireless sensor agar dapat mengcover area
sebanyak-banyaknya dengan dana yang seminimal mungkin.


 ‘ pPp
p p


WSN saat ini telah menampakan dirinya sebagai  
yang menjanjikan untuk
memonitoring area dengan sedikit campur tangan manusia. Kemajuan pada
Ñ Ñ Ñ
ÑÑ berdaya rendah, komunikasi  dan 
 
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
Ñ
. Masalah Ñ
 memiliki banyak interpretasi, tergantung tipe sensor
dan aplikasinya. Namun, banyak peneliti mempertimbangkan Ñ
 sebagai
ukuran dari kualitas (


Ñ) jaringan sensor. Sehingga banyak peneliti
yang mengembangkan algoritma untuk mendapatkan Ñ
 yang lebih besar
sehingga QoS dari WSN menjadi lebih baik.
Contohnya seperti yang dibahas oleh Sami • Habib, yaitu memodelkan daerah
peletakan sensor dibagi menjadi 2 sub-masalah, yaitu pemetaan ( ) dan
penempatan (Ñ). Serta menyelesaikan masalah Ñ

dengan
menggunakan algoritma genetika [1]. Lalu ada beberapa peneliti yang meneliti
masalah Ñ
 seperti p edine Boukerche dan Xin Fei meneliti masalah
Ñ

juga namun lebih menekankan pada 
 
 dari 

 
menggunakan metode IPM (intersection point method) untuk memperluas

 

yang dapat mengatasi masalah Ñ
 yaitu dengan
memperluas asumsi 
 
 ke asumsi    sederhana yang
beraturan. Dan menggunakan metode 

ÑÑ
  yang dirancang untuk
mengkontrol tingkat akurasi dalam menentukan luasnya Ñ
  
khusunya
pada 
 
 dari 
 
menggunakan IPM(intersection
point method) untuk memperluas 
 

yang dapat mengatasi masalah
Ñ
 yaitu kemampuan cakupan sensor, 
   dan kualitas sensor [2].
‘

‘
 Peneliti lainya, Sandeep Kour phuja dkk juga meneliti mengenai Ñ


khususnya masalah pemaksimalan  

Ñ

 dan hubungan
 
  dengan probabilitas Ñ
 [3]
Dari berbagai macam  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 Ñ


yang
memiliki 
Ñ

  (MOO). Dengan misi mensimulasikan
Ñ


yang berhasil dicover oleh sejumlah sensor dengan jumlah dan jenis
terbatas karena penekanan biaya seminimal mungkin dengan menggunakan Ñ

 
Namun ternyata, karena Ñ 
Ñ  untuk Ñ

!" memiliki

Ñ

  (MOO) sehingga Ñ 
Ñ nya rumit dan
dibutuhkan lebih dari sekedar algoritma Genetika untuk menyelesaikanya. Maka
untuk mensimulasikan proses peng-Ñ
 ini dibutuhkan algoritma turunan dari
Ñ
  yaitu 

!
# 
$Ñ 
‘
Œ ‘ pPpp
ppp


Batasan masalah dalam proyek akhir ini yaitu :
‘ Proyek akhir ini hanya mengambil permasalahan Ñ

area dari WSN.

‘ #

area didapat dengan algoritma genetika dan 

!

# 
$Ñ  untuk menyelesaikan 
Ñ

 
(MOO) dari masalah biaya dan lebar Ñ


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

‘ Daya jangkau sensor tidak dapat menembus Ñ  
dalam hal ini
Ñ  
diinisialisasikan sebagai tembok bangunan.

‘ Menggunakan bahasa pemrograman java.

‘
 ‘ P•p p
 Pp p
‘

 c‘


!"!

Paper milik Sami • Habib, memodelkan daerah peletakan sensor yang dibagi
menjadi 2 sub masalah yaitu pemetaan ( % dan pemetaan
&Ñ)
dan
menyelesaikan masalah Ñ

dengan menggunakan algoritma genetika. Paper
Sami • Habib ini juga membahas mengenai 
Ñ

  yang
menginspirasi pembuatan proposal tugas akhir ini [1]. Beberapa peneliti seperti
p edine Boukerche dan Xin Fei meneliti masalah Ñ

juga namun lebih
menekankan pada 
 
 dari 
 
menggunakan
metode IPM (intersection point method) untuk memperluas 
 


yang dapat mengatasi masalah Ñ
 yaitu dengan memperluas asumsi 

 
 ke asumsi    sederhana yang beraturan. Dan menggunakan
metode 

ÑÑ
  yang dirancang untuk mengkontrol tingkat akurasi dalam
menentukan luasnya Ñ
  . Dengan menyesuaikan radius ru 
ÑÑ

 , 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 phuja dkk juga meneliti mengenai Ñ

khususnya
masalah pemaksimalan  
Ñ

 dan hubungan  
 
dengan probabilitas Ñ
 Dimana untuk masalah Ñ


mereka

Œ‘

‘
 6 l    6


 t t 
  Ñ
  
 

i i;   6 6
 6l  6i6l
   !  Ñ
 
  i 
6 li
; 
   6
6

  iti 
t 6
it

Ñ

ti i tiji

i
 i
  t


t ti6i
 
!6   6
li
ilit titi
t 
 
l  iit
t

  
t ti 6
lit 
t 
 
 
it
t t
t 

 6 6 ti6

 
 li 
 6
i
 

 t  t i

i

6i"

÷     
d t i l  


t
 l 
 
 



 

t 
l6tji


6


t 
ti


dt
tj
l 

 


t t  di l  
 i  
 i

l 
  6

 
  i l6 t 

l
i MM Ñ  Ñ Ñ
Ñ
  MM 
ii l i
t i i l 6
 l 6
 6 
il 


tt
 
 l t

i l6 t ili

 tt  6 lli t 

l
i
6i
iti


Ê 6  t6  



  it 
ii 

 
  i

  titi l6 t   


 iÑ
 

 it 
ii
6 6ilii 
j
 i Ñ

t t
t
t6

t
 j
Y

  6
 

 t 6
 t i Ñ

 
 i t   i 
 
Ñ

  Ñ
  
t
li

 
 

 6
 t i
Y
  
j
it t
t  l
 
  

 
j
 i 

 l
  jiji 
  Ñ
 Bil
j6ll  
 Ñ

ij6l
 i i t   i
Ñ
  
 6 
 t
tl
Y   


  
 t Ñ
 l 
Ñ 
l 
it
t

ti
Ñ

l  

  6 
M
  $ Ñ
 
Ñ  ii
iilii    i
   i
6
 

 6 6ilii   
 t t
 it  6l
 # 
   



 
 
   i
 l6 6 6 lji d i
i t t   
t
t


6 6
  ti:
*‘ ñ   ÑÑ ti
  

i
i   l
l 
t
6
i
l i it 6 t
 i
tt 
 t
 Ñ
 Ñ
 
 
*‘ p
  
   
# 
 Ñ

  

Ñ


÷
 ˑ PCP/IP bersifat terbuka, implementasi luas, mendukung banyak
 Ñ
  


Ñ dan berbobot ringan, tetapi
memerlukan 

 
untuk konfigurai penggunaannya.
*‘ m
Ñ  
 :  Ñ
 #
 
 
Ñ 

*‘ Ñ, artinya terskala oleh kepadatan  , jumlah dan jenis   

Ñ dalam WSN ini dibatasi hanya
sampai 1000-an   .
*‘ ñ
ÑÑ
  '



 -data dengan penamaan,
 Ñ 
 pengumpulan data di lakukan di dalam.
*‘ Batasan kemampuan storage dan daya , serta Ñ  
 ,
karena memorinya yang kecil akibat ukuranya yang mini.
*‘ ? 
 dan 
 
 
Walaupun dengan batasan dan tantangan seperti di atas, WSN tetap dirancang agar:
â‘Beroperasi dalam Ñ 
  (tapa dukungan  Ñ

  ).
â‘Limit   pada   Ñ  
â‘Limit Ñ  
  pada   Ñ  ù 

Ñ

  Ñ  

â‘#  


  dalam semua kemungkinan yang bisa dilakukan.
Namun walaupun dengan segala kerumitan dan kompleksitas WSN, terdapat
beberapa keuntungan dibandingkan Individual Sensors yaitu :
'‘ "#

##$
ù WSN dapat meng-Ñ
 area operasi lebih luas

'‘ Redundancy ù Kepresisian data meningkatkan karena 
  yang
berdekatan dapat saling mengkoreksi kesalahan.
'‘ à
ed accuacy ù Banyak  
  mengkolabirasi dan
mengkombinasikan data untuk meningkatkan akurasi dari data hasil sensor.
'‘ m
ended func
nal
y ù  
 
tidak hanya mambentuk fungsi
sebagai sensor, tetapi juga menyediakan layanan yang lain.
!
 
  (WSN) dapat dipertimbangkan sebagai salah satu bagian
dari  
 Ñ
"m   (MpNEP). Namun !"
  memiliki  

lebih rendah, Ñ   dan Ñ Ñ  lebih sederhana dibandingkan

dengan  "m
  . MpNEPs memiliki tingkat mobilitas yang tinggi,
sedangkan  
  sebagian besar  . ( 
  Ñ  cenderung
Ñ )
di dalam MpNEP, tetapi relatif sederhana untuk  
  

MpNEP bersifat 

ÑÑ, WSN bersifat 
ÑÑ. Walaupun ? 
 
 
seringkali menimbulkan persoalan di dalam WSN begitu juga
untuk $*
 
 dalam WSN yang terjadi akibat perubahan topologi.
Namun tetap terdapat beberapa alasan yang menyebabkan WSN lebih dipilih
daripada MpNEP, yaitu :
ˑ 
+ Ñ
  mempersyaratkan jumlah yang signifikan pada  


  dan Ñ  

ˑ  
  memiliki   dan CPU kecil.
ˑ Perubahan topologi sebagai akibat pergerakan jarang terjadi dalam sebagian
besar aplikasi  
  , dan cenderung  

ˑ Ñ dalam beberapa ratus sampai ribuan   akan menyebabkan

sulitnya membangun WSN dengan baik.
ˑ  ?'

Ñ
Ñ
  Ñ  

 £

p#!"


‘

‘




à
 
‘‘
%%&‘

‘
à ‘ ‘ 


 ‘ ‘
+‘ ‘ 
 
‘

 ‘ +‘
M ‘
‘$
‘()‘% ‘

# 
 
ÑÑ adalah jaringan sensor yang terbentuk secara
otomatis dari  
  menjadi suatu group yang disebut clusters seperti
Gambar 2. Proses
Ñ  diaplikasikan secara Ñ 

untuk membentuk suatu
tingkatan
Ñ  . Pada Gambar 3 dicontohkan proses Ñ 
pada sensor
  

M ‘#
‘‘
 '‘

#
 adalah suatu ukuran Quality of service pada suatu sensor network-Sejauh
mana network mampu mengamati (atau meng-kover) suatu

 yang muncul.
#
 tergantung pada ( dan  
 dari  
 
serta lokasi
dan   dari  
  di dalam suatu daerah kerjanya.


 


{ ul

le Objec
e O

 a
ns)

Optimasi adalah proses mengatur input-input dari suatu 
Ñ, 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
Ñ

total maka optimasi ini disebut sebagai MOO&
Ñ


  % Sehingga optimasi dari sistem ini bertujuan untuk mendapatkan

Ñ

dari penyebaran sensor seluas-luasnya, namun dengan biaya seminimal
mungkin.
Optimasi dapat dilakukan dengan beberapa cara, yaitu :
ˑ m) Ñ

Ñ
ˑ Ñ
 
ˑ )
 
ˑ "
Ñ 
l‘

‘
Pada sistem ini, dipilih cara pengoptimasian menggunakan 
Ñ 
yang
telah dikembangkan menjadi Ñ
 

 Œ

p$%
!

plgoritma Genetika atau Genetic plgorithm (Gp) merupakan algoritma pencarian
 Ñ
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 ( 




 ) 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  . Nilai  dari suatu individu akan menunjukkan
kualitas kromosom dalam individu tersebut.
Proses standar dalam plgoritma Genetika :
a)‘ Menginisialisasi Ñ 
Ñ 

Ñ 
variabel-variabel dan
parameter dari Gp.
b)‘ Membuat populasi awal dari n buah kromosom membentuk suatu individu.
b) Menghitung  Ñ 
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 
Ñ

  terdapat dua fungsi, maka
diperlukan metode turunan dari algoritma genetika. Dalam hal ini dipilih 


!
$Ñ 

 
Yu f We
ed Cs
Fuc
n

pdalah metode untuk mencapai 
Ñ

  dengan
mengalikan tiap fungsi dengan suatu pembobot dan menjumlahkanya [4]. Sesuai
dengan rumus :

]‘

‘
 
    # ‰d

 
    

i6
:

l 
ii



d
l Ñ 

      



 6 t
  i
i it t 6
t 
6
ii i   
i 


Ñ
 
 Ñ  
Ñ
 6



ili i l  6

t 

6


 i
it 
t 
i t t
t 6
   
i t



t6
i Ñ
 ( 
it 6t
ji


d 
 t 6
Ñ
   ll
 

 i  6i
i6l
6
i


7 ‘ P 
g
t 6
 l i
 
  i   i
  6
6
 i6li Ñ


 
il
l
l
  i it:

7 ‘!"#$%#$&#$  !'
it 6 it 6


     Ñ  
Ñ
 t

 i
l
it6
ti
it 6

iti
i6 6iliitj


 li
  

tii it i t
tl  6t
 ji

 d 

 6i
i6l 6
i

6
 




 t 6
Ñ
    l
6
i
M


Êl l6 
t
   

  ll  
i
 

 
j

i Ñ


    ti t  l  
 
 i 

 l6
i6lii
i  ii li
tj
i

:
 P#(! P#(!)#*+#",!$.-!$-."

$ )* +01
$ )2 $ )* 01
$ )*  ,
%21 % ) 1 )0 * # 1 )$%&345
c  -, * % * c Œ
  -, * % * Œ cŒ

 -, * % * l c÷
  -, * % * c Œ
Œ  -, * % * cŒ

÷  -, * % *  ÷
  -, * % * Π
l  -, * % *
 l
]  -, * % *
Œ lŒ
c  -, * % *  lŒ
cc  -, * % * Π]
c  -, * % * Πc

ii
t  tl
i 6it 6i
ii

  ti6

c
 
‘Ê 

t


Ñ



iilii it

iliÑ



Ñ
 
Ñ


li i
ttii
iill
‘Ê 

t
i li
t:
 m‘ •
i

 it
t
tl
6



 m‘ Ê
ii

 6  Ñ 
 
Ñ
6i
it


 
i



liil il
 C 
Ñ

6 6
iM



Ñ



it
t

i
 i
iiil

 


it
l
 
i
 ili
t iti  Ê
 
t l  i
ilii
t  Ñ 
Ñ
 

 6 6 6
li 

i


 #'(#"/ .0)#&"#'1!"#$%#$&#$--+!'
Ê t6 l 

t
 
 
Ñ
 
 Ñ  
Ñ
 l6 l i
i
ii
iilii
   i Ñ
 
 i t
tl d l 6 t 

 i6
 i l i
t  l 
ii 

 
 j
i 

   i

6

6i6
 tii
ii6 6ilii  
6

6
i li
tj
i


 ii
t 6

t
 

iliÑ 

Ñ
 i d   

 
ii 

 
 6

t
  
Ñ
  

 
 il 
ii 

   i  tÑ


6   Ñ
  

 t 
  
 i l i
t j
i


 t ilit   l   

 

6t

ii 

 
Ê
 i6 




#'(#"2 !$!'1#+#$1.---!$-."

cc
 Gambar 5 adalah gambar denah PENS-IPS, 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. •adi pada populasi awal ini memiliki 4 solusi untuk mencapai 

Ñ

  dimana setiap solusi terdiri dari 4 sensor yang tersebar
secara random, sehingga tiap individu memiliki besar Ñ


dan total
biaya yang berbeda.
Untuk pembangkitan populasi dapat dijelaskan dengan Pabel 2 berikut :
P&


'
 ( "
$"#
)
‘
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 Pabel 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 Ñ

 dengan cara sebagai berikut :
‘
l‘
+‘
÷‘ c‘ ‘
‘
‘
‘
‘

‘ ‘ ‘ ÷‘ l‘ c‘
‘

%&


"
ceae aea ##$

!
p
‘

c‘

‘
Dicontohkan pada Gambar 6 adalah sensor di titik p(8,5) dengan jari-jari radius
Ñ

sensor sejauh 1. Untuk menentukan Ñ


sensor tersebut,
maka semua titik pada 
Ñ

di atas akan diuji dengan cara :
ˑ Bila : ((8-x)2 +(5-y)2); ( 1)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.
ˑ 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.
m‘ Pengujian untuk titik B(2,5) :
B = ((8-2)2 +(5-5)2 ); (3)2
B = ( 36 + 0 ) • 9 jadi B = 0
m‘ Pengujian untuk titik C(8,3) :
C = ((8-8)2 +(5-3)2 ); (3)2
C=(0+4)”9 jadi C = 1
m‘ 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 Ñ


dari individu pada tabel 2 di
atas, maka untuk menguji titik-titik yang termasuk dalam Ñ


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); ( 1)2 ) || (((x2-x)2 +( y2-y)2); ( 2)2 ) || (((x3-x)2 +( y3 -y)2);

( 3)2 ) || (((x4-x)2 +( y4 -y)2 ); ( 4)2) ............................................................. (3)

Setelah titik-titik yang ter-Ñ


ditemukan, Ñ


total dihitung berapa
banyak prosentasenya dengan menjumlahkan semua titik bernilai 1 dan
membaginya dengan luas total 
Ñ

dan dikali 100%.
Proses selanjutnya adalah pengurutan (rangking) tiap individu, di sini kedua
nilai dari fungsi biaya dan Ñ

dinormalisasi terlebih dahulu. Untuk
normalisasi biaya digunakan jenis sensor termahal sebanyak 4 buah, sebagai
bandingan harga termahalnya. Sedangkan untuk Ñ

digunakan luas total

Ñ

sebagai bandingan Ñ

terluasnya

•adi, untuk mendapatkan nilai biaya dan Ñ


ternormalisasi adalah sebagai
berikut :

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

( c4‘
‘‘‘
f2 = Ñ

total individu x 100 % .................................................... . (5)
luas 
Ñ


Dengan f1 dan f2 diinisialisasikan sebagai nilai fungsi biaya dan fungsi

Ñ
 Lalu dengan persamaan (1), dicari nilai total kedua fungsi tersebut
agar dapat dilakukan pengurutan (rangking) untuk tiap individu.

c
‘

‘
 Individu-individu terjelek akan di-
yaitu dikawinkan untuk mendapat
individu baru yang sifatnya lebih baik dari individu sebelumnya. Individu hasil

disebut  
dan individu yang di-
disebut 
Proses

dimulai dari proses Ñ


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 
dan  
dibandingkan untuk
menentukan apakah  
layak menggantikan posisi 
pada generasi
berikutnya.
Lalu dianalisa apakah individu generasi baru ini telah memenuhi 

Ñ

 . Dimana untuk syarat suatu individu telah berhasil
memenuhi 
Ñ

 
yang dalam sistem ini adalah
optimasi pada biaya dan Ñ

dengan harapan didapat jaringan WSN yang
meng-Ñ

 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 
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 Ñ

total dari tiap individu, diharapkan berhasil
memenuhi 90% dari luas Ñ


Dan untuk besarnya biaya, dicari yang
paling minimum dari individu yang berhasil memenuhi syarat Ñ

tsb.

 ‘%&"
#%

Pada pembuatan sistem ini, digunakan tipe sensor milik Sami •. Habib [1] yang
ditunjukan Pabel 3, dimana harga sensor didapat saat nilai untuk setiap USD
1,00 memiliki harga p. 9.009,00 [5]. Di Pabel 3 ini jenis sensor yang
diinisialisasi belum semua, namun hanya 4 jenis sensor karena hanya digunakan
sebagai contoh guna memperjelas pembuatan sistem ini.
"‘#
‘"‘*"‘
‘+&‘,‘

adius cakupan
•enis Biaya ( p) Gambar
sensor(m)
p 1 450.450,-

B 5 1.351.350,-

C 8 1.441.440,-

c‘

‘
 D 10 2.252.250,-

Sistem ini menggunakan Ñ

 
dimana flowchart dari program
simulasi Gp adalah seperti Gambar 7.


‘

1.‘ Definisi cost function dan fitness function

2.‘ Pilih parameter-parameter Gp

- /-‘)() 01$ /‘

 ‘

2

-'(*($(*‘

+)-‘




3
‘‘ - 0-‘'- /‘


‘ 3 

$‘

‘
Periksa konvergensi

V‘
à0‘()**

 +‘

M ‘
‘×
 ‘  
‘ ‘

ˑ Dimulai dari definisikan 

Ñ &,%
dan Ñ 
Ñ & -%
sebagai
penentuan nilai Ñ
 Perdapat 2 fungsi karena memiliki dua
Ñ
 , yaitu fungsi biaya dan Ñ

Dan untuk parameter-

cŒ‘

‘
 6 t   it 
ii 

 
 j
i 

 
ii 


i
it
   
  

 j
i 

 ii
iilii

 i l

ˑ B
it
 
li l  

 i
ii i6
 ti i
ii
6 6ilii    
6

6 
 ti 
6

6 6   
ti


ii
ii 

 
 j
i 

 i 6 ! i
i i

t


 6
it
  i
ii l"# "# "# 
 "# 

 
 
6

6 g
t 6 6 6 
j l
 t
t
 l
it6

ti 6t
it 6i
i6
Ñii
iilii

  ii
t 
t  i
j
  ti6


  
M
  6
 
" 
" 

7 


6

6 ti i
ii 6   
ti
 j
i 

 

6

t
   
 
j
 i Ñ
 
   



ii 

 6

t
  
Ñ
t
tl i i
ii •
i


 ii6
l
 

    i 
 t t   t l 
 

 
ii 

 ii6
l
 

 " 
  i6
 i
 "
     t 6
t
 t
 
6

6 t i
it

 

6
ˑ i ti i
ii iit

ili 4 
 5 ll iit
 t
tl

6


 6    Ñ  
Ñ
 Ê 6 $
 it6
6il

ili4
5



 M
 ili8
9 :
 
" 
"

6 $ 6 6 lit

ili 4 
 5 
t  ti i
ii ll


 6   iit
  
ili 4 
 5 t
tl 
 
6

j
j6l 
i  
  6

j6lt
tl
 6

td
d ljid%
d

     # d &d  % 
     
     # % &  ' 


c÷
 M l6 l i
i 
6
ii 
t ; 
 6   
ti

Ñ
l i
ii
ˑ gt

ili 
 
Ñ
 il  it

 

 6 
 Ñ 
Ñ
t  ti
t  i

t  il
6  6
j l
  
ili t
tl < 
 = 

ii 
li
l
t lti   il



 E F
M
  ilit
tl 
  G
 
" 
"

ˑ 

 
l6li
ii6

t
 Ñ 

  
ti
iit j l  
t i 

 6
 t


6

6 t t
t i i
ii t j l  

 i
ii 
 li

6  6


t

 
  
 
 i i
 
 
t
i
ii t j l  i6
Ñ 
il
  
6

6t

 
 ii
ii"#t j l  

i
ii"#


M
  Ñ 
 

ˑ 

 
ti
iiilÑ 
t


6
 
6

6  t
 t t
t   

6 l6
6  i

t

  
6

6 
 i6ti l

6

6t
 

M
  
 

ˑ gji
ili t
tlil it

  Ñ 
Ñ

 > 0 ? > %$ ? 3
5 @ @ A    #  ? ?  A  > 0
$ ? @ B>C$$ 

 D

  B >% B  @? > c
% @B A ?   
22 
 ? ?$ > #  $$ ÷l


c
 













 M
  # 
 H 

III


ˑ    t
tl 
l iii
ili t
tl6ili
6

 i 
ti

l  
 Bil  li
 6 
 ti
t  
ti
 Ê 6  6

j
 
il  t
tl i

 l i   i 6ili 
  i
 
i
 it

ii
i 
ti

l  

ˑ  6li   
  
t

ili 
 
Ñ
 i il
 it

    Ñ  
Ñ
 
t ti i
ii  i
6  
 il
 t  i
 it
 i
ii 

6 6iliiÑ
6i66

i6i
i66












 M
  -  
 J 

KKK


Ê 6  i
ii "# il 
 i i
ii "# 
6
ti 
ii
ili  t
tl t i i t
    i
 i
ii


6
l6i
 
 it
li
ii"#
ˑ Ê
  i
i 
 il
  l
l
 i
 6
i  



 
 
t    it i 6   6 6 lit
 


ii

 
ii t l
l iit i



cl
  ilit
tlR
S TU0V#

6 ! 

÷% ilit
tl
W
X
t
 ti
i


  
 Œ
t ic cΠ

i   
 

 M
   PP 
. Q

7 ‘!$&3,#$)#$#$#-#--+!'
Ê 
  
ji
 i
ii
li  i6
 
6

6
6

6 i
ii
i il l
it6 
tit  t t   
ii
iit t
t
i Ñ
  i6
 
ii
 t 6
Ñ
    



 

 i d  i t 
 ii   i
6i
i66
 ilit

t6 6

d
t6

Ñ
 
 Ê


ii 
  il 6 6
i M

  t
6 6
itt  i iti
i:
'‘ B il 6
Ñ
 l i i $( l t
tl Ñ
  

it
t

'‘ Bi 6i
i66 ii i 
t

il  i i
iii
ii

 il6 6
it6i
i6llt
tlÑ

'‘  


 
i

ii
ii
ti66
i
ti

 t l
ili  t
tl ti   


 
  l6   li
it i
g
t6 6

liit 6
ttit 6
it6il


t
t l 
  i  
i

 it i 

ili 
i i 
Ñ

i
iij ilii  6
6   
ti
Ñ



  Ñ
 
 6
Ñ
 Ñ
  i
 t ilit
  
 l6t Ñ



 
t Ñ


4 ‘
 
  
il 
 i
  
 i i
i l$ L $  
 

 
#  
  




 % M N1 O  
   


 &  O ti 


t  6

t 

l
id
 ii
i


t 6t
d







c]


Ñ
t 

6lii

 %
 7 i
 
   i
 
  Ñ

  
  Ñ



       


t i
i  

 M
  M      
.
"     

i6%tilittj
ii6lii
il6
ttiti
t 6 
t 
ii 
Ñ
 t 

6lii
  
ii
i
 l6  ti it i

ili
 
 6

  

 
i
Ñ
i
l6 tiit i

ili
 6i
6 6 
6
ti6
t 6
i

  i 
ii
Ñ
ti
 
 t 6  ti
it
j
  i ittt•i 6ii

 lil

lii
it
il i
i

 

 t6il
 i i6li 
 i
 l   ti 6 '
i6
 i
t
 
 t it
l   l 

 

 

i 
i


'



M
  P
" 

" Ñ
    


 g 
dapat menentukan banyaknya sensor yang diinginkan, lalu  
menekan
tombol ³SPp P
. Secara otomatis, muncul gambar ketika 
Ñ

berhasil di-
Ñ

hingga konvergen dan muncul grafik yang menunjukan pada iterasi ke berapa
tercapainya titik temu antara biaya dan Ñ

Sedangkan besarnya nilai biaya
dan Ñ

akan ditampilkan pada kotak di bawah bagian visualisasi.
Namun  
dapat melihat bagaimana visualisasi Ñ

yang dihasilkan pada
urutan iterasi tertentu dengan menggeser pointer pada grafik.


 ‘ p


Hasil dari pembuatan simulasi
ini diharapkan dapat digunakan sebagai tugas pkhir.
Dan dapat menyelesaikan permasalahan 
Ñ

  yaitu
penekanan biaya dan memperluas Ñ
 yang di-Ñ

sensor terutama pada
pembuatan jaringan 
 
di PENS-IPS.


c
‘•p
p




5

"

P

5
c

£

Œ


*

c

cc
c
c£

1.‘ Formulasi permasalahan !













Coverage prea (Cp).
‘Model Cp sederhana tanpa
overlapp antar Cp-s1 dan Cp-s
yang lain. •ika terpaksa
overlapp tidak terlalu banyak ù
reff : buku di lab sinyal
‘Studi pustaka tentang modelling
Cp yang sudah berkembang
sampai sekarang ù reff: •ournal
Sammi Habib
‘Studi tentang Gp(Genetic
plgorithm) ù reff : buku
andy&Sue Elten Haupl di lab
c
sinyal atau Perpustakaan PENS
2. Menyusun Suatu Model Cp
!
!











dengan Gp (Genetic plgorithm).
8‘ Formulasikan permasalahan
yang akan dikerjakan dengan
Gp dengan batasan-batasan
Multiple Objective
Optimi ation(MOO)
①Sum of Weighted Cost
Function
8‘ Spesifikasikan plgoritma Gp
yang digunakan


3.‘ Merencanakan Sistem dan Pen-

!
!
!









jadwalan Pekerjaan Pp.
*‘ Menyusun proposal Pp dan
c‘

‘
 mem-presentasikan dalam
seminar Proposal Proyek
pkhir

1.‘ Memodelkan sistem secara lebih


!
!









mendetail sesuai dengan
algoritma yang dipilih, yaitu
dengan MOO (

Ñ

 ).
 ‘ Melakukan simulasi dengan •ava



!
!








dengan tampilan sederhana dan

Ñ  Ñ   terbatas.

£ ‘ Melakukan analisa dari sistem




!








pemodelan dan simulasi yang
telah dibuat.

4.‘ Menyusun Laporan Ê 



!
!
!








(  I dan
mengimplementasikanya +
demo.
[1]‘Menyempurnakan model





!
!






sehingga mendekati kondisi real.
+,‘ Melakukan simulasi •ava dengan






!
!





tampilan GUI

[3]‘Melakukan analisa hasil







!
!




simulasi.
[4]‘Menyusun laporan Progress






!
!
!




£

eport II, buku proyek akhir,
paper ilmiah.
[5]‘Mengikuti seminar ilmiah dan









!
!


menyajikan makalah hasil
penelitianya. IES, SMp, dsb
[6]‘Melakukan presentasi Pp dan











!

mendemokan hasil simulasi.


Keterangan Bulan : 1 = •uni 2010


cc ‘p pp
pp


$

"
$"%
•"%

Laptop BYON M31W p. 6.500.000,- 1 p. . 6.500.000,-
Full packaged Windows p. 2.896.000,- 2 p. 2.896.000,-
7 Ultimate [6]
NetBean IDE 6.8 free
Pulsa pkses internet p. 50.000,- 12 p. 600.000,-
Modem SMp P ZPE p. 435.000,- 1 p. 435.000,-
Fotocopy Buku ÊÑÑ
p 74.000,- 1 p. 74.000,-
Ñ
 
Printer dan Pinta Printer p. 700.000,- 1 p. 700.000,-

‘

‘
 Penjilidan Buku p. 30.000,- 3 p. 90.000,-
Kertas p4 p. 36.000,- 3 p. 108.000,-
Buku •ava Putorial p. 100.000,- 1 p. 100.000,-
P$


cc Œ
£


5

c ‘
pPp
 Pp p


[1]‘ •. Habib, Sami.Modelling pnd Simulating Coverage in Sensor
Network.http://www.elsevier.com/locate/comcom.
[2]‘ Boukerche, p edine, Xin Fei.p coverage-preserving scheme for wireless
sensor network with irregular sensing range.
www.elsevier.com/locate/adhoc.
[3]‘ Kour phuja, Sandeep, Shrinivasa Kini, Srinivasan amasubramanian.
Bounds on coverage time and node density for multi-modality sensing.
www.elsevier.com/locate/adhoc .
Z
[4]‘ Y ‘ ‘ '11 ‘1‘ ('* ' '$‘.-‘)')$-‘+
Œ
‘ http://www.beacukai.go.id/rates/exch ateID.php‘
[6]‘ http://cenary.com/perkiraan-harga-windows-7.html
‘
‘


‘