Perpustakaan Digital ITB

Jaringan sensor nirkabel berkapasitas tinggi dan hemat energi akan sangat dibutuhkan untuk mengakomodasi kenaikan trafik yang eksponensial pada sistem komunikasi generasi 5 dan 6 (5G/6G) atau generasi internet of things (IoT). Jaringan sensor nirkabel saat ini menerapkan algoritma low energy adaptive clustering hierarchy (LEACH), dengan pemilihan cluster head (CH) dilakukan secara acak. Akibatnya jarak antara node anggota ke CH bisa berjauhan, sehingga daya pancar sensor akan tinggi yang lebih lanjut akan menimbulkan interferensi dan memboroskan energi. Algoritma LEACH juga menggunakan pengaturan daya statis, sehingga signal to interference and noise ratio (SINR) yang diterima di CH bisa turun jika terjadi kenaikan interferensi. Untuk meningkatkan kapasitas jaringan dan penghematan energi, maka algoritma LEACH perlu diperbaiki. Disertasi ini mengembangkan algoritma baru dengan melakukan seleksi ulang CH menggunakan metode node rank. Dengan metoda node rank, CH dipilih dari sensor dengan rank terbesar yaitu sensor dengan jumlah node tetangga terbanyak dan memiliki energi sisa tinggi untuk menjaga keseimbangan konsumsi energi sedangkan node tetangga adalah node yang memiliki nilai received signal strength indicator (RSSI) di atas rata-rata nilai RSSI pada CH lama. Dengan metoda node rank ini, jarak node anggota ke CH akan berkurang, sehingga daya pancar sensor akan turun (interferensi dan konsumsi energi juga akan berkurang). Interferensi juga ditekan lebih lanjut dengan teknik pengendalian daya pancar menggunakan algoritma dual policy multi agent reinforcement learning menggunakan SINR sebagai parameter kontrol. Penggunaan metoda reinforcement learning (RL) akan menjadikan sensor mampu menjejaki (tracking) terhadap fluktuasi SINR akibat perubahan interferensi, sehingga daya pancar sensor akan diatur sesuai kebutuhan minimum. Pengujian algoritma node rank dan reinforcement learning yang diusulkan pada disertasi ini dilakukan dengan simulasi komputer menggunakan model jaringan sensor nirkabel terdistribusi seragam yang dibangkitkan secara acak. Kanal propagasi jaringan nirkabel menggunakan model free space path loss (untuk representasi jarak dekat) dan model kanal two ray ground (untuk representasi jarak yang lebih jauh). Pengujian algoritma node rank LEACH menghasilkan ii peningkatan kinerja yang lebih baik dibandingkan dengan algoritma LEACH konvensional. Indikator kinerja metoda node rank yang diusulkan pada disertasi ini menunjukkan peningkatan umur jaringan (lifetime) 8 %, peningkatan first node death (FND) 9 %, peningkatan half node death (HND) 14 %, dan peningkatan jumlah paket terkirim 11 %. Perbaikan kinerja yang dihasilkan oleh metode node rank ini disebabkan oleh terbentuknya jarak antara node dengan CH yang lebih dekat. Metoda pengendalian daya pancar dengan algoritma dual policy multi agent reinforcement learning menghasilkan perbaikan kinerja yang jauh lebih signifikan terhadap metode pengaturan daya statis pada algoritma LEACH. Peningkatan tersebut meliputi peningkatan umur jaringan sebesar 129 %, FND 52 %, HND 35 %, dan kinerja paket terkirim sebesar 162 %. Hal ini dapat dijelaskan bahwa dengan kemampuan tracking fluktuasi SINR, maka daya pancar sensor akan diatur sesuai kebutuhan minimum. Daya pancar yang rendah (minimum), selain akan menekan interferensi, juga sekaligus akan menghemat konsumsi energi. Pengendalian daya pancar dengan menggunakan SINR sebagai kontrol parameter memberikan hasil yang lebih baik dibandingkan dengan penggunaan signal strength (RSSI), karena SINR melibatkan tingkat interferensi dalam pengendalian daya pancar sensor.