Anda di halaman 1dari 7

Quality of Services Multimedia Networking

Pada tulisan kali ini saya akan mencoba membahas tentang kualitas layanan dari suatu jaringan multimedia yaitu IMS (IP Multimedia Subsystem). Seperti kita ketahui bahwa di zaman sekarang ini yang namanya multimedia sangatlah berperan penting dalam berbagai aspek kehidupan manusia, seperti mengirim teks, gambar, suara, ataupun video. Seiring dengan berkembangnya jaringan internet, tukar menukar file multimedia tersebut menjadi suatu hal yang tidak jarang dilakukan oleh setiap orang dilihat dari sisi kebutuhannya masing-masing. Namun, kepadatan dalam lalu lintas pengirman paket-paket file multimedia dan besarnya ukuran byte tiap file tersebut bisa membuat jalur komunikasi internet menjadi terhambat mengingat kecepatan akses yang ada di Indonesia ini masih begitu lambat (tidak seperti di negara-negara maju). Berbagai pihak pun turut berperan dalam jaringan internet baik dari pembuat aplikasi dan pembuat website untuk meningkatkan layanan kualitas dalam hal memberikan layanan multimedia. Multimedia ini sendiri tidak lagi hanya digunakan untuk berbagi informasi namun juga menjadi layanan komunikasi antar pemakai, dengan demikian yang namanya kualitas layanan (Quality of Service yang artinya adalah mekanisme jaringan yang memungkinkan aplikasi-aplikasi atau layanan dapat beroperasi sesuai dengan yang diharapkan) sangat penting untuk pengguna dalam menikmati akses jaringan internet. Contohnya saja yang paling sering kita gunakan sekarang ini dalam berinternet ria adalah aplikasi Facebook yang dapat melakukan chatting, mengirim pesan teks/gambar/suara/video, upload foto/video, dll. Untuk dapat memaksimalkan kualitas layanan jaringan multimedia tersebut, ada teknologi yang mampu menyediakan layanan aplikasi streaming voice, video, gambar yang lebih kompetitif, mobilitas yang lebih besar, dan isi serta layanan yang lebih baik. IMS (IP multimedia subsystem) adalah teknologi komunikasi yang bisa menyatukan alat wireless dan wired dalam suatu jaringan yang real time, ekstensibel, dan mampu memberi layanan multimedia secara interaktif. IMS merupakan masa depan teknologi komunikasi karena IMS didesain mampu menyediakan layanan aplikasi streaming voice, video, gambar yang lebih kompetitif, mobilitas yang lebih besar, dan isi serta layanan yang lebih baik. IMS didesain untuk mampu bekerja tanpa dibatasi area maupun domain yang ada dan bisa menggunakan Ipv4 dan Ipv6. Prinsip kerja jaringan IMS adalah menggunakan session untuk menangani setiap layanan yang diminta masing-masing pengguna. Desain jaringan IMS bisa dilihat pada gambar di bawah ini. Lapisan jaringan IMS terbagi menjadi 3, yaitu Layer Server Aplikasi (menyediakan end user logic), Layer Session Control (terdapat Call Session Control Function yang mengatur sesi registrasi hingga komunikasi data), Layer Transport dan Endpoint (untuk menginisiasi dan mengakhiri pensinyalan SIP-Session Initiation Protocol). IMS mampu menanggulangi inefisiensi softswitch dengan cara membangkitkan multi layanan dalam satu session. Yang berperan sentral dalam hal ini adalah protokol SIP dengan 3 server berbeda : SCSCF, P-CSCF, dan I-CSCF.

Multimedia Networking Quality of Service


Pada sistem multimedia dibutuhkan suatu protokol jaringan yang berfungsi untuk mengaturnya. Jaringan sendiri yang dimaksud adalah seperangkat komputer yang salah terhubung satu sama lainnya. Ada beberapa tipe jaringan komputer, berikut adalah jenis-jenisnya;

Local Area Network Metropolitan Area Network Wide Area Network Wireless Network

Jaringan komputer pada area local tertentu. (warnet)

Jaringan komputer yang terdistribusi dalam jarak jauh. (jarak antar kota)

Jaringan komputer yang jauh, antar benua. (internet)

Jaringan yang bentuk dengan menggunakan transmisi radio baik pendek maupun sedang. Ada beberapa materi yang tidak dibahas semua dalam artikel kali ini, seperti OSI Layer, TCP / IP Layer, Protokol IP , Protokol TCP, dll. Langsung saja ke pokok materi, multimedia mempunyai beberapa karakteristik yaitu voluminous (membutuhkan data rate tinggi dan berukuran besar) dan real-time interactive (membutuhkan low delay dan membutuhkan sinkronisasi / interaktif ). Dalam multimedia networking ada yang dikenal dengan MIME (Multipurpose Internet Mail Extension), yang berfungsi untuk mendeteksi file multimedia di internet baik berupa text, image, video, audio, dan aplikasi. Jadi ketika pada saat menjumpain MIME type, maka browser otomatis mengirimkan file / mengijinkan penggunan menyimpan file kedalam hardisk/ menanyakan pengguna aplikasi apa yang akan digunakan dalam membuka file / mengijinkan pengguna membatalkan transfer file. Bicara mengenai multimedia belum mantap jika tidak membahas multimedia streaming. Apa itu multimedia streaming? Streaming media itu merupakan suatu teknologi yang dirancang guna mengirimkan atau meminta file baik itu berupa audio maupun video digital secara real time pada suatu jaringan komputer. Ilustrasinya dapat dilihat pada gambar dibawah.

Streaming pada hakikatnya berbeda dengan download, bagi yang belum tau mengenai perbedaannya disini akan coba dijelaskan secara singkat; DOWNLOAD File disimpan dalam media storage (dapat dinikmati pada saat offline) Dapat dilihat berkali-kali (selama file tidak dihapus) Kualitas bagus Waktu download lama File standar Streaming Protocol RSVP ( Resource Reservation Protocol ) Digunakan untuk menserve bandwith sehingga data dapat tiba ditujuan dengan cepat dan tepat. SMRP Simple Multicast Routing Protocol Protocol yang mendukung conferencing dengan mengganda-kan (multiplying) data pada sekelompok user penerima. RTSP Real-Time Streaming Protocol (RFC 2326) STREAMING Dapat dilakukan pada bandwith dengan kecepatan rendah Hanya dapat dilihat pada saat online Kualitas rendah Webmaster tidak perlu risau dengan bandwith Tidak dibatasi oleh besarnya file

Digunakan pada Video on Demand digunakan oleh program streaming multimedia untuk mengatur pengiriman data secara real-time, tidak bergantung pada protokol Transport. Metode yang ada: PLAY, SETUP, RECORD, PAUSE dan TEARDOWN suatu standard untuk mengirimkan data multimedia secara real-time, bergantung pada protokol Transport Berjalan diatas UDP tapi bisa juga diatas protokol lain

RTP Real Time Transport Protocol (RFC 1889)


RTCP Real-Time Control Protocol Protocol QoS (Quality of Service) untuk menjamin kualitas streaming. Merupakan bagian pengkontrolan paket data pada RTP QOS (Quality of Services ) QOS merupakan suatu teknologi yang digunakan untuk mengatur aliran data dari berbagai jenis layanan yang memiliki kemampuan untuk memberikan prioritas yang berbeda untuk berbagai aplikasi, pengguna, atau arus data ( menjamin kinerja tertentu ke aliran data ). Fungi dari QOS ini berperan penting dalam realtime-streaming multimedia, voice over ip, game online, dan IP-TV. QOS sendiri kadang sering digunakan sebagai ukuran kulitas, dengan banyaknya definisi-definis alternatif dari pada mengacu pada kemampuan sumber daya cadangan. Ada dua pendekatan utama untuk QoS di jaringan packet-switched modern, sistem parameter berdasarkan pertukaran kebutuhan aplikasi dengan jaringan, dan sistem diprioritaskan di mana masingmasing paket mengidentifikasi tingkat layanan yang diinginkan ke jaringan. Integrated Service ( IntServ ) Layanan ini mengimplementasikan pendekatan, dalam layanan ini aplikasinya menggunakan Resource Reservation Protocol (RSVP) untuk meminta dam memesan sumberdaya yang ada dalam jaringan. Differentiated Service ( DiffServ ) Mengimplementasikan layanan utama, DiffServ menandai paket menurut jenis dari layanan yang dibutuhkan. Dalam penandaan, router dan switch menggunakan jenis strategi antrian untuk menyesuaikan kebutuhan hasil. Materi : http://lecturer.ukdw.ac.id/ http://en.wikipedia.org/wiki/Quality_of_service Algoritma genetik adalah teknik pencarian yang di dalam ilmu komputer untuk menemukan penyelesaian perkiraan untuk optimisasi dan masalah pencarian. Algoritma genetik adalah kelas khusus dari algoritma evolusioner dengan menggunakan teknik yang terinspirasi oleh biologi evolusioner seperti warisan, mutasi, seleksi alam dan rekombinasi (atau crossover) Algoritma Genetik pertama kali dikembangkan oleh John Holland pada tahun 1970-an di New York, Amerika Serikat. Dia beserta murid-murid dan teman kerjanya menghasilkan buku berjudul "Adaption in

Natural and Artificial Systems" pada tahun 1975. Algoritma Genetik khususnya diterapkan sebagai simulasi komputer dimana sebuah populasi representasi abstrak (disebut kromosom) dari solusi-solusi calon (disebut individual) pada sebuah masalah optimisasi akan berkembang menjadi solusi-solusi yang lebih baik. Secara tradisional, solusi-solusi dilambangkan dalam biner sebagai string '0' dan '1', walaupun dimungkinkan juga penggunaan penyandian (encoding) yang berbeda. Evolusi dimulai dari sebuah populasi individual acak yang lengkap dan terjadi dalam generasi-generasi. Dalam tiap generasi, kemampuan keseluruhan populasi dievaluasi, kemudian multiple individuals dipilih dari populasi sekarang (current) tersebut secara stochastic (berdasarkan kemampuan mereka), lalu dimodifikasi (melalui mutasi atau rekombinasi) menjadi bentuk populasi baru yang menjadi populasi sekarang (current) pada iterasi berikutnya dari algoritma.

Prosedur Algoritma Genetik


Algoritma genetik yang umum menyaratkan dua hal untuk didefinisikan: (1) representasi genetik dari penyelesaian, (2) fungsi kemampuan untuk mengevaluasinya. Representasi baku adalah sebuah larik bit-bit. Larik jenis dan struktur lain dapat digunakan dengan cara yang sama. Hal utama yang membuat representasi genetik ini menjadi tepat adalah bahwa bagianbagiannya mudah diatur karena ukurannya yang tetap, yang memudahkan operasi persilangan sederhana. Representasi panjang variabel juga digunakan, tetapi implementasi persilangan lebih kompleks dalam kasus ini. Representasi seperti pohon diselidiki dalam pemrograman genetik dan representasi bentuk bebas diselidiki di dalam HBGA. Fungsi kemampuan didefinisikan di atas representasi genetik dan mengukur kualitas penyelesaian yang diwakili. Fungsi kemampuan selalu tergantung pada masalah. Sebagai contoh, jika pada ransel kita ingin memaksimalkan jumlah benda (obyek) yang dapat kita masukkan ke dalamnya pada beberapa kapasitas yang tetap. Representasi penyelesaian mungkin berbentuk larik bits, dimana tiap bit mewakili obyek yang berbeda, dan nilai bit (0 atau 1) menggambarkan apakah obyek tersebut ada di dalam ransel atau tidak. Tidak setiap representasi seperti ini valid, karena ukuran obyek dapat melebihi kapasitas ransel. Kemampuan penyelesaian adalah jumlah nilai dari semua obyek di dalam ransel jika representasi itu valid, atau jika tidak 0. Dalam beberapa masalah, susah atau bahkan tidak mungkin untuk mendefinisikan lambang kemampuan, maka pada kasus ini digunakan IGA. Sekali kita mendefinisikan representasi genetik dan fungsi kemampuan, algoritma genetik akan memproses inisialisasi populasi penyelesaian secara acak, dan memperbaikinya melalui aplikasi pengulangan dengan aplikasi operator-operator mutasi, persilangan, dan seleksi. Secara sederhana, algoritma umum dari algoritma genetik ini dapat dirumuskan menjadi beberapa langkah, yaitu: 1. 2. 3. 4. 5. Membentuk suatu populasi individual dengan keadaan acak Mengevaluasi kecocokan setiap individual keadaan dengan hasil yang diinginkan Memilih individual dengan kecocokan yang tertinggi Bereproduksi, mengadakan persilangan antar individual terpilih diselingi mutasi Mengulangi langkah 2 - 4 sampai ditemukan individual dengan hasil yang diinginkan Algoritma

Genetik

Sebuah algoritma genetika (GA) adalah sebuah pencarian teknik yang digunakan dalam komputasi untuk mencari persis atau perkiraan solusi untuk optimasi dan mencari masalah. Algoritma genetic dikategorikan sebagai pencarian global heuristik. Algoritma genetik adalah kelas khusus dari algoritma

evolusioner (EA) yang menggunakan teknik yang terinspirasi oleh biologi evolusioner seperti warisan, mutasi, seleksi, dan crossover. Algoritma genetik menemukan aplikasi di bioinformatika, Phylogenetics, ilmu komputer, teknik, ekonomi, kimia, manufaktur, matematika, fisika dan bidang lainnya. Algoritma genetik yang umum membutuhkan: 1. Sebuah representasi genetik dari solusi domain, 2. Sebuah fungsi fitness untuk mengevaluasi solusi domain. Algoritma genetik yang dilaksanakan dalam simulasi komputer dimana sebuah populasi representasi abstrak (disebut kromosom atau genotipe dari genom) dari solusi-solusi calon (disebut individu, makhluk, atau fenotip) untuk sebuah masalah optimasi berkembang menuju solusi yang lebih baik. Secara tradisional, solusi direpresentasikan dalam biner sebagai benang dari 0s dan 1s, tapi encoding lain juga mungkin. Evolusi biasanya dimulai dari sebuah populasi individu yang dihasilkan secara acak dan terjadi dalam generasi. Dalam setiap generasi, kebugaran setiap individu dalam populasi dievaluasi, beberapa individu stochastically dipilih dari populasi sekarang (berdasarkan kebugaran mereka), dan dimodifikasi (digabungkan dan mungkin bermutasi secara acak) untuk membentuk populasi baru. Penduduk baru kemudian digunakan dalam iterasi berikutnya dari algoritma. Umumnya, algoritma berakhir ketika baik jumlah maksimum generasi telah diproduksi, atau tingkat kebugaran yang memuaskan telah dicapai untuk populasi. Jika algoritma telah dihentikan karena jumlah maksimum generasi, solusi yang memuaskan mungkin atau mungkin belum tercapai. Sederhana generasi pseudocode algoritma genetika 1. Pilih awal populasi dari individu-individu 2. Mengevaluasi kesesuaian setiap individu dalam populasi 3. Ulangi pada generasi sampai terminasi: (batas waktu, cukup kebugaran dicapai, dll). 4. Pilih yang paling cocok individu untuk reproduksi. 5. Keturunan individu baru melalui crossover dan mutasi operasi untuk melahirkan keturunan . 6. Evaluasi kesesuaian individu individu baru. 7. Ganti setidaknya-populasi sesuai dengan individu-individu baru. Optimasi skema yang didasarkan pada algoritma genetika (GA) dapat menghindari masalah-masalah yang melekat pada pendekatan yang lebih tradisional. Pembatasan pada kisaran parameter-ruang yang dikenakan hanya oleh pengamatan dan fisika dari model. Meskipun parameter-ruang yang ditetapkan sehingga sering cukup besar, GA menyediakan cara yang relatif efisien secara global untuk mencari kecocokan model. Pada problem optimasi yang mempunyai multiple objective seringkali tujuannya merupakan konflik dalam pencapaian nilai optimal dari ruang permasalahan dimensi tinggi (high dimensional) dan seringkali membutuhkan proses perhitungan yang rumit. Cara algoritmis yang umum dipakai dalam menyelesaikan permasalahan multi objective biasanya dengan menggunakan teknik konvensional seperti goal programming, compromise programming dan interactive methods. Teknikteknik ini efektif ketika menghadapi model dengan goal yang tidak terlalu banyak, namun tidak efektif ketika menghadapi model yang kurang jelas dan kompleks (jumlah variabel. subject to dan goal terlalu besar) Algoritma genetika memberikan alternatif baru dalam memecahkan banyak model sulit dari bidang optimalisasi. Metodologi yang digunakan dalam menyelesaikan persoalan multi objective goal programming dengan pendekatan GA, terlebih dahulu dilakukan dengan merubah subject to menjadi nilai domain constrain. Nilai range dari domain constrain ini kemudian diacak pada populasi tertentu untuk menentukan nilai tertinggi dari proses pencarian. Hasil akhir menunjukkan bahwa GA mampu menuntun penelusuran titik-titik optimal dalam persoalan multi objective goal programming. Titik-titik tersebut

didapatkan dengan lebih efisien dibandingkan dengan proses QS3 atau LINDO. GA mampu memberikan nilai pencapaian solusi terhadap solusi idealnya lebih baik dibanding dengan metode lainnya.Hal ini disebabkan karena pada saat eksekusi GA lebih tergantung pada panjang populasi dan panjang generasi, sedangkan pada metode lainnya tergantung pada jumlah variabel yang akan dieksekusi.