OPTIMALISASI PERFORMANSI NAMED DATA NETWORK BERDASARKAN DATASET NDNSIMULATOR MENGGUNAKAN METODE K-NEAREST NEIGHBOR

FICHRAM ALFIANSYAH P

Informasi Umum

Kode

22.04.1126

Klasifikasi

621.385 1 - Network analysis

Jenis

Karya Ilmiah - Skripsi (S1) - Reference

Subjek

Network

Dilihat

248 kali

Informasi Lainnya

Abstraksi

Named Data Networking (NDN) merupakan sebuah terobosan baru yang menjadi penerus TCP/IP yang dulunya berpusat pada host to host dalam pendistribusian informasi, NDN mempunyai nama unik untuk setiap paket yang tersimpan pada node NDN. Paket tersebut tersimpan pada content store (CS) dimana file yang berkapasitas besar akan dipotong-potong lalu di transfer dan nantinya akan tersimpan pada cache. Penelitian tugas akhir ini melakukan simulasi berbasis ndnSIM2.5, pengujian menggunakan LRU sebagai caching replacement dengan mengambil data pada percobaan pertama menggunakan parameter delay, packet drop, dan cachemisses data tersebut nantinya akan menjadi sampel data. Selanjutnya, sampel data akan di-preprocessing agar dapat diproses oleh machine learning menggunakan metode KNN yaitu metode dengan menggunakan ‘kesamaan fitur’. KNN akan digunakan untuk memprediksi node dengan delay, packet drop dan cachemisses terbesar sehingga dapat mempermudah fokusan optimalisasi nantinya. Percobaan optimalisasi akan dilakukan dengan melakukan penambahan jumlah size content store dan penambahan jumlah bandwidth pada node hasil prediksi KNN sebelumnya. Pada tugas akhir ini, prediksi menggunakan metode KNN menunjukkan nilai MAE pada parameter delay sebesar 0,00415, cachemisses 14,69968 dan packet drop sebesar 0,0. MAE adalah metode untuk mengukur tingkat keakuratan suatu model prediksi dan dapat digunakan pada model regresi, setiap parameter yang diprediksi akan menghasilkan node dengan nilai terbesar yang selanjutnya akan dioptimalisasi. Optimalisasi yang dilakukan pada penambahan jumlah CS memperlihatkan penurunan pada delay dengan persentase hingga mencapai 0,99% serta penurunan pada cachemisses ratio yang mencapai persentase 0,10%, sedangkan pada penambahan jumlah bandwidth memperlihatkan penurunan delay yang paling rendah dengan persentase 0,03% tetapi mengalami peningkatan terhadap cachemisses hingga mencapai 30,44% sedangkan packet drop tidak memperlihatkan perbedaan signifikan pada kedua percobaan tersebut.

Kata Kunci: Machine Learning, KNN, NDN, LRU, Cache, Optimalisasi