VANET yang merupakan bagian dari MANET adalah teknologi yang memungkinkan komunikasi nirkabel antar berbagai kendaraan yang bergerak atau antara kendaraan dengan unit komunikasi yang terdapat di sepanjang jalan. VANET dikembangkan untuk mendukung ITS dalam meningkatkan keselamatandi jalan raya dan efisiensi lalu lntas. Jaringan ad-hoc ini juga dirancang untuk memungkinkan pertukaran pesan-pesan peringatan antar kendaraan untuk meningkatkan keselamatan penumpang dan informasi-informasi lain terkait dengan aplkasi dan layanan VANET. Untuk mewujudkan hal tersebut, ada beberapa hal yang perlu dipertimbangkan supaya VANET dapat beroperasi denganbaik. Hal-hal tersebut antara lain masalah keterbatasan bandwidth, keamanan, skalabilitas, protokol kendali akses media (MAC) dan mekanisme routing. Ada beberapa karakteristik khusus dari VANET yang perlu diperhatikan oleh protokol routing, antara lain : mobilitas node yang tinggi, jumlah dan kepadatana node yang tidak tetap, dan topologi jaringan yang terus berubah. Diperlukan protokol routing tertentu untuk mewujudkan komunikasi yang handal, kontinyu dan tanpa batas antar node pada VANET. Secara garis besar, protokol routing pada VANET dikelompokkan menjadi dua: kelompok protokol yang berdasarkan posisi kendaraan dan kelompok yang berdasar pada topologi jaringan. Tulisan ini akan membahas mengenai protokol routing DSR, AODV, TORA dan menjelaskan bagaimana ketiga protokol reaktif ini menjalankan mekanisme routing pada VANET. Kelebihan dan kekurangan dari ketiga protokol tersebut juga akan dianalisis dengan didukung oleh beberapa hasil simulasi dari penelitian-penelitian yang telah dilakukan sebelumnya.
Listrik Kerakyatan adalah suatu gagasan untuk mengelola tenaga listrik dari sumber daya yang ada disekitar masyarakat, dengan menghimpun dan memanfaatkan berbagai teknologi sederhana dan murah yang cocok untuk dikelola oleh masyarakat awam. Bahan bakar utama dari Listrik Kerakyatan yang saat ini dikelola oleh STT PLN adalah Sampah perkotaan dan energi yang berasal dari Bio Massa. dan pengelolaan sampah ini pun sangat baik apabila dikembangkan baik diperkotaan, di daerah pedesaan serta daerah terpencil. Tentunya hal ini sangat relevan dengan kondisi Indonesia yang darurat penanggulangan sampah perkotaan, serta krisis energi listrik. Model listrik kerakyatan yang sudah dimatangkan ini masih memiliki kendala mengenai sosialisasi ke masyarakat luas, Salah satu masalah yang dihadapi adalah media untuk menjelaskan kepada masyarakat mengenai siklus atau arus pengubahan bahan sampah menjadi energi listrik. Model simulasi dianggap sebagai model yang sangat cocok untuk menyampaikan informasi yang dapat menjadi pengetahuan untuk masyarakat luas mengenai listrik kerakyatan. Tahapan pembuatan Simulasi Listrik Kerakyatan ini menggunakan metode Multimedia Development Life Cycle (MDLC) dimulai dengan konsep, rancangan, pengumpulan material bahan-bahan multimedia yang digunakan, pembuatan, pengujian sampai dengan distribusi. Dengan bahasa pemrograman VB.net dan 3D Studio Max untuk membangun aplikasi simulasi.
This study discusses the classification of the relationship between personal competence with work on the tracer study data of the PLN Institute of Technology. The results of the data from the alumni survey will be processed using a decision tree method that aims to provide information related to the relationship between personal competencies which have a very close relationship, close enough and not close to the work that the alumni get and become an evaluation material for the campus in the future. Where the decision tree method is one of the data mining classification methods that provides a tree structure that will serve as a decision tree. The tracer study data used from the graduation years of 2015, 2016, 2017, 2018 and 2019 are processed based on the year. And consists of 13 competency attributes and one competency that is used as a label or target. Based on the application of this method each year of graduation has a different level of accuracy based on the state of each data, for tracer study data 2015 graduation year accuracy of 56.03%, 2016 graduation data accuracy of 56.03%, while for tracer data the 2017 graduation year study was 78.90% accuracy, for the 2018 graduation study tracer data the accuracy was 52.94% and for the 2019 graduation tracer study data the accuracy was 40.12%.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
hi@scite.ai
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.