Publikasi pada jurnal SNPS ISBN No. 979-545-0270-1
ANALISA KINERJA RESOURCE-AWARE FRAMEWORK PADA ALGORITMA LIGHT-WEIGHT FREQUENT ITEM (LWF)
Jumadi M. Parenreng 1, Supeno Djanali 2, Ary M. Shiddiqi 3
Teknik Informatika, Institut Teknologi Sepuluh Nopember, Surabaya, Indonesia 1
jparenreng@yahoo.com
Institut Teknologi Sepuluh Nopember, Surabaya, Indonesia 2
Institut Teknologi Sepuluh Nopember, Surabaya, Indonesia 3
Abstrak
Online Data Stream saat ini menjadi trend komunikasi data, ini tidak terlepas dari kemampuan transfer data yang semakin cepat, sehingga memungkinkan untuk transfer live data stream. Pemanfaatan teknologi ini salah satunya dimanfaatkan oleh perangkat Wireless Sensor Network (WSN). Kendalanya adalah sumber daya (resource) yang dimiliki oleh setiap perangkat wireless berupa bateri, memory dan CPU sangat terbatas. Karena keterbatasan sumber daya maka dibutuhkan efesiensi sumber daya dengan menerapkan konsep resource-aware (RA) dan data yang didapatkan oleh perangkat wireless tidak mesti dikirimkan seluruhnya ke server pengelohan data, karena hanya akan menghabiskan sumber daya, tetapi data yang dikirim adalah data yang telah mengalami proses mining dan data yang benar-benar dibutuhkan saja.
Fokus penelitian tesis ini adalah pembuktian dan analisa algoritma LW-Class dan LWF yang bekerja dengan memanfaatkan ketersediaan sumber daya yang dimiliki, banyaknya data, class dan counter yang terus berubah sesuai dengan ketersediaan memory pada waktu yang telah dispesifikasikan. Percobaan ini menggunakan data Iris dan data Vehicle yang disimulasikan pada program Java. Pada percobaan didapatkan hasil bahwa dengan menerapkan Resource-Aware membuat hasil mining data lebih baik, pemanfaatan memory dan CPU lebih efisien serta daya tahan (live time) bateri +30% lebih lama jika menerapkan konsep Resource-Aware. Adapun efesiensi LW-Class dan LWF yakni penggunaan memory lebih baik pada LWF dibanding LW-Class, tetapi daya tahan bateri, pada LW-Class +15% lebih baik dari LWF.
Kata Kunci : Data Stream, Algoritma Granularity, Resource-Aware
1. Pendahuluan
Perangkat jaringan terbaru dan aplikasinya, saat ini telah banyak memanfaatkan streaming data online sehingga sistem jaringan dituntut untuk selalu beroperasi secara stabil. Resource-aware framework pada konsep Online Data Mining merupakan bagian yang sangat penting untuk Wireless Sensor Network (WSN). Resource-Aware framework dapat diterapkan pada banyak teknik mining pada data yang membutuhkan monitoring secara berkelanjutan, agregasi data dan inter network processing (Datta, 2006). Sumber energi berupa Memori, CPU dan Bateri adalah bagian yang menjadikan Wireless Sensor Network dapat bekerja secara terus-menerus dalam jangka waktu lama. Tren terbaru dalam lingkup jaringan wireless yakni online data stream dimana pemrosesan data dilakukan pada perangkat wireless sensor network yang mengandalkan stream input data dengan kecepatan tinggi, kemudian pada waktu yang bersamaan pengiriman data secara update harus dilakukan dengan energi yang dimiliki. Karenanya efesiensi energi dan manajemen sumber daya (resource) adalah bagian yang sangat penting untuk teknik pemrosesan data pada jaringan ini. Gaber memperkenalkan model pengolahan data yang didasarkan pada teknik mining dengan nama Algoritma-Granularity (Gaber et al, 2004a) yakni : Light Weight Clustering (LWC), Light Weight Classification (LWClass) dan Light Weight Frequent Item (LWF) dengan memanfaatkan ketersediaan resource berupa Memory, CPU dan Bateri.
