ANALISIS DAN SIMULASI MODEL TRAFIK NEXT GENERATION NETWORK

Ir Nana Rachmana M.Eng, Dhata Praditya

nana@telecom.ee.itb.ac.id, dhata@students.ee.itb.ac.id

Program Studi Teknik Elektro

Institut Teknologi Bandung

ABSTRAK

NGN atau Next Generation Network merupakan suatu sistem yang mencoba mengintegrasikan berbagai macam
jaringan yang ada, entah menjadi satu platform besar ataupun tetap memakai banyak jaringan hanya pada level
aplikasinya disatukan. NGN sampai dengan hari ini masih dalam riset, dan belum mempunyai satu standar yang
jelas, apalagi kalau kita berbicara soal regulasi. Satu hal yang perlu diketahui dari integrasi berbagai macam
jaringan adalah masalah trafik, sebab prediksi trafik yang didasari oleh sistem telephony (menggunakan distribusi
Poisson) ternyata tidak relevan lagi untuk diterapkan.

Kata kunci: Pareto, Lognormal, Uniform, Poisson, Self-similar, OPNET

1. PENDAHULUAN • Menyokong makin bertambahnya jaringan

Perkembangan teknologi telekomunikasi saat ini
meningkat sejalan dengan bertambahnya kebutuhan
komunikasi masyarakat. Sektor telekomunikasi yang
merupakan cabang strategis saat ini diarahkan
menjadi satu layanan yang mencakup data, suara,
gambar dan komunikasi mobile dengan kualitas
tinggi. Sampai dengan hari ini, para pakar masih
mencoba bereksperimen untuk mengajukan suatu
bentuk teknologi yang mendukung terwujudnya
kondisi ini.
Konsep NGN (Next Generation Network) merupakan
anak emas dari perkembangan teknologi
telekomunikasi saat ini. Konsep ini diharapkan
mampu mengintegrasikan seluruh jaringan yang ada,
entah membuat satu jaringan baru ataupun tetap
memakai banyak jaringan. Berbagai masukan yang
ada kebanyakan mengimplementasikan menggunakan
sifat WDM (bukan lagi TDM) karena jaringan yang
ada merupakan paket-paket. Selain itu kebanyakan
pakar juga menggunakan jaringan optik sebagai dasar
bagi penggunaan NGN.
Konsep NGN ini baru dalam tahap perkembangan,
karena itu masih banyak hal-hal yang perlu di
standarisasi maupun diperbaharui agar tujuan
dikembangkannya NGN tersebut dapat dicapai.
Tujuan tersebut yaitu:
komunikasi di masyarakat (diharapkan mampu
beroperasi pada berbagai sistem)
• Mempertahankan QoS
• Fleksibel (dari sisi arsitektur)
• Menjaga kualitas keamanan jaringan
• Murah
• Mempercepat akses, terutama akses data
• Mudah untuk dikembangkan lagi menjadi future-
tech
2. TEORI NGN DAN PROBABILITAS
2.1 NGN
Definisi Next Generation Network berdasarkan ITU-
T: Next Generation Network (NGN) adalah jaringan
packed-based yang mampu menyediakan berbagai
layanan, terutama layanan telekomunikasi dan
mampu untuk digunakan pada multiple broadband,
teknologi transport dengan mekanisme pemeliharaan
QoS dan dalam fungsi service-related adalah
independent sehingga mendasari teknologi transport-
related. NGN menawarkan akses tak terbatas bagi
user dari berbagai penyedia layanan yang berbeda.
NGN juga mendukung mobilitas secara menyeluruh
dengan memberikan layanan yang konsisten dan
tersedia dimana-mana bagi user.
Dalam mendukung konsep NGN ini, dikembangkan
beberapa layanan dan fitur-fitur diantaranya adalah
IPv6 sebagai solusi dari keterbatasan jumlah user

Prosiding Konferensi Nasional Teknologi Informasi & Komunikasi untuk Indonesia 472
3-4 Mei 2006, Aula Barat & Timur Institut Teknologi Bandung
pada IPv4. MPLS yang berfungsi sebagai sistem
yang efisien dalam hal rouitng, forwarding,dan
switching dari aliran trafik yang mengalir pada
jaringan. Softswitch, yang secara khusus digunakan
untuk mengontrol koneksi pada junction point antara
jaringan circuit dan paket. Tujuan ini bisa dilakukan
oleh satu alat yang mempunyai kemampuan sebagai
switching logic dan switching fabric. Kemudian
dikembangkan pula SIP, protocol yang diusulkan
sebagai standard untuk menginisiasi, memodifikasi
dan mengakhiri sesi interaksi user yang melibatkan
elemen multimedia seperti video, suara, online game,
instant messaging dan virtual reality. Dan yang
sedikit lebih baru adalah IMS, yang lahir sebagai satu
teknologi yang mengawinkan teknologi wireless dan
wireline dengan tawaran layanan yang tidak hanya
voice namun juga layanan data yang sangat beragam.
Prinsip teknologi ini adalah mengatur session yang
timbul untuk tiap layanan. Pada konsep NGN dengan
softswitch (wireline), seluruh session layanan yang
timbul seluruhnya (baik suara maupun data) akan
dilewatkan pada call manager (softswitch).
2.2 Teori Probabilitas
a. Distribusi Erlang
Distribusi Erlang dikembangkan oleh A. K. Erlang
untuk menguji jumlah panggilan telepon yang
mungkin dilakukan dalam satu waktu pada suatu
switching station milik operator. Ini bekerja pada
perencanaan trafik telepon yang pemakaiannya
meluas hingga untuk menghitung waktu tunggu
dalam system antrian secara umum. Distribusi Erlang
kini digunakan dalam proses stochastic.
b. Distribusi Poisson
Dalam teori probabilitas, distribusi Poisson adalah
distribusi kemungkinan yang diskrit. Digunakan
untuk merepresentasikan kejadian yang amat jarang.
Hal ini diperlihatkan dengan probabilitas banyaknya
event yang terjadi dalam suatu interval waktu jika
event ini diketahui nilai rate rata-rata, dan
independent terhadap waktu sampai dengan event
terakhir
c. Distribusi Pareto
Pareto distribution, diambil dari nama ahli ekonomi
dari Italia Vilfredo Pareto. Dalam jaringan, Distribusi
Pareto digunakan untuk memodelkan waktu utilisasi
CPU oleh sebuah proses, ukuran file web pada web
server, jumlah byte data pada FTP burst, dan waktu
“berpikir” web browser.
Prosiding Konferensi Nasional Teknologi Informasi & Komunikasi untuk Indonesia
3-4 Mei 2006, Aula Barat & Timur Institut Teknologi Bandung
d. Distribusi log-normal
Dalam probability dan statistik, distribusi log-normal
adalah distribusi kemungkinan dari variabel acak
yang logaritmanya terdistribusi secara normal (dasar
dari fungsi logaritmik bahwa loga X adalah
terdistribusi normal jika dan hanya jika logb X
terdistribusi normal). Jika X adalah variabel acak
dengan distribusi normal, maka exp(X) memiliki
distribusi log-normal.
e. Distribusi Weibull
Distribusi Weibull sering digunakan untuk
memodelkan waktu hingga terjadi kegagalan teknis
dari suatu alat.
f. Self-similarity Traffic
Self-similarity merupakan bagian terpenting dari
konsep fractal yang berasal dari ide Benoit B.
Mandelbrot, konsep ini mendeskripsikan fenomena
dimana sifat tertentu objek adalah mempertahankan
dengan baik skala dalam jarak maupun waktu.
Maksudnya ada suatu fenomena dimana bila kita
memotong suatu objek pada bagian yang kecil
tubuhnya, memiliki bentuk yang serupa dirinya
Proses self-similar dapat didefinisikan menggunakan
distribusi heavy-tailed, juga biasa disebut distribusi
long-tailed. Distribusi heavy-tailed dapat digunakan
untuk menggambarkan probability density yang
mendeskripsikan proses trafik seperti waktu inter-
arrival paket dan panjang burst. Proses self-similar
menunjukkan fenomena long-range dependency.
Gambar 1. Distribusi heavy-tailed
3. SIMULASI JARINGAN
Simulator yang digunakan adalah OPNET IT Guru
Academic Version 9.1
project : dhata
scenario : final_version
skala jaringan : dunia.
473
 Gambar 2. Jaringan yang disimulasikan

Secara umum model jaringan yang dibuat dibagi

menjadi dua bagian, yang masing-masing terdiri dari
topologi yang berbeda pula. Pertama adalah VoIP
yang coba disimulasikan pada node 3, 4 dan 5,
kemudian WLAN dan LAN yang disimulasikan pada
node-node 1, 2, dan 6. Sedangkan pada node 8
dirancang suatu jaringan LAN namun menggunakan
dial up modem untuk koneksinya. Ke-delapan subnet
tersebut kemudian dihubungkan melalui link ke suatu
IP network, dan untuk IP2, merupakan pusat dari
sistem jaringan VoIP.

Dua hal paling esensial yang mempengaruhi analisis

simulasi jaringan ini adalah konfigurasi aplikasi dan
konfigurasi profil.

Konfigurasi Aplikasi, parameter ini menunjukkan

aplikasi apa saja yang akan kita gunakan. Dalam
simulasi aplikasi yang disediakan ada tujuh buah
yaitu: VoIP, HTTP, FTP, database, email, remote
login dan video conferencing.
Gambar 3. subnet-subnet dalam jaringan

Sedangkan Konfigurasi Profil, parameter ini

menunjukkan profil dari node yang menggunakan
aplikasi yang telah didefinisikan. Dalam simulasi ini
digunakan empat profil, yaitu profil VoIP, profil
LAN, profil WLAN, dan profil Sm_Int. Pada
Konfigurasi inilah distribusi yang digunakan dalam
permodelan trafik jaringan di-setting.
4. ANALISIS
Sebelum melakukan analisis terhadap model trafik
yang terkondisikan dalam jaringan, dilakukan
terlebih dahulu analisis mengenai kinerja jaringan
yang disimulasikan ini. Ada tiga parameter yang
digunakan yaitu, response time, delay dan data loss.

Prosiding Konferensi Nasional Teknologi Informasi & Komunikasi untuk Indonesia 474
3-4 Mei 2006, Aula Barat & Timur Institut Teknologi Bandung
 langsung dibandingkan, tanpa harus merubahnya
menjadi probability density function dulu.

Gambar 4. respon time

Delay

5
ethernet delay
delay (msec)

4
paket end to end
3
delay VoIP
2 WLAN delay
1

0
4 user 10 user 20 user

Gambar 7. hasil simulasi

Gambar 5. delay

Data Loss Gambar kiri atas adalah model trafik aplikasi FTP,
kanan atas adalah untuk aplikasi HTTP, gambar kiri
600 bawah adalah model untuk aplikasi remote login atau
500 TS FTP telnet, dan gambar terakhir untuk aplikasi database.
400 TR FTP
paket

TS HTTP
300 Keseluruhan gambar tersebut tidak memiliki
TR HTTP
200 TS TELNET
karakteristik yang mirip dengan probability density
100 TR TELNET function dari distribusi-distribusi yang dijadikan
0 dasar teori.
4 user 10 user 20 user

Untuk langkah kedua, hasil yang didapat tidak jauh

Gambar 6. data loss berbeda, karena setelah dibandingkan, keseluruhan
node memperlihatkan bahwa model trafik jaringan
Untuk menganalisis distribusi yang paling tepat
tidak sama dengan model distribusi yang ada.
untuk memodelkan trafik jaringan, pada Tugas Akhir
ini dilakukan dua cara, yang pertama adalah
membandingkan probability density function yang
didapat dari hasil simulasi dengan probability density
function teoritis yang telah ditampilkan sebelumnya.
Probability density function yang didapat merupakan
hasil dari ethernet load pada satu node dalam satu
subnet dari skenario simulasi.

Dan langkah yang kedua adalah, pada simulasi ini

dibuat banyak skenario, yang beberapa diantaranya
mensimulasikan jaringan apabila distribusi pada
parameter atribut profil-nya di-set menjadi Pareto
semua, Lognormal semua, Uniform semua, Poisson
semua, dan sebagainya. Hasil dari skenario ini
Gambar 8. Self-similarity
kemudian dibandingkan dengan skenario pertama.
Untuk langkah kedua ini ethernet load-nya bisa

Prosiding Konferensi Nasional Teknologi Informasi & Komunikasi untuk Indonesia 475
3-4 Mei 2006, Aula Barat & Timur Institut Teknologi Bandung
5. KESIMPULAN

1. Model trafik yang dihasilkan dari simulasi tidak

ada yang sesuai dengan model-model distribusi
yang telah ada. PDF yang didapat dari simulasi
sangat spesifik, perubahan yang terjadi pada satu
aplikasi, mempengaruhi aplikasi lain. Dan setiap
aplikasi memiliki karakteristik masing-masing.
2. Kinerja jaringan yang dilakukan telah optimal,
pada parameter distribusi, untuk remote login,
membutuhkan variance dan mean yang relatif lebih
kecil dibanding aplikasi lain.
3. Konsep self-similarity dapat terlihat dalam rentang
waktu 50 sec, 200 sec, dan 500 sec.
4. Dapat dibuktikan bahwa permodelan yang cocok
untuk jaringan yang ada saat ini merupakan Self-
similarity, karena mempertahankan burst untuk
seluruh selang waktu.

6 REFERENSI

[1] OPNET IT Guru Simulator, Attributes and

Parameter Description. Opnet Press.
http://www.opnet.com

[2] Will Leland, Murad Taqqu, Walter Willinger, and

Daniel Wilson, ``On the Self-Similar Nature of
Ethernet Traffic (Extended Version)'', IEEE/ACM
Transactions on Networking, Vol. 2, No. 1, pp. 1-15,
February 1994.

[3] Mark E. Crovella and Azer Bestavros, “Self-

Similarity in World Wide Web Traffic: Evidence and
Possible Causes”, IEEE/ACM Transactions on
Networking, 5(6):835-846, December 1997.

[4] B. B. Mandelbrot. The Fractal Geometry of

Nature, W. H. Freeman, New York, 1982.

[5] Xiaojun, Hei. The Self-Similar Traffic Modeling

in the Internet. 2001

[6] Nawaporn Wisitpongphan, Jon M. Peha. Effect of

TCP on Self-Similarity of Network Traffic paper.
Carnegie Mellon University. Pittsburgh

[7] Philip Rehatta. Services in NGN: Provision and

Opportunity Presentation. Jakarta. 2004. PT. Telkom

[8] Wastuwibowo K (2003). Pengantar MPLS.

IlmuKomputer: http://ilmukomputer.com

[9] www.wikipedia.com

Prosiding Konferensi Nasional Teknologi Informasi & Komunikasi untuk Indonesia 476
3-4 Mei 2006, Aula Barat & Timur Institut Teknologi Bandung