Dynamic Routing Dengan OSPF

OSPF adalah sebuah routing protocol standard terbuka yang telah diimplementasikan oleh sejumlah besar vendor jaringan, termasuk Cisco. Jika memiliki banyak router dari berbagai vendor maka salah satu pilihan yang baik adalah ospf.

Ospf bekerja dengan sebuah algoritma Djikstra. Pertama sebuah pohon jalur terpendek (shortest path tree) akan dibangun, dan kemudian routing table akan diisi dengan jalur-jalur terbaik yang dihasilkan dari pohon tersebut. OSPF mendukung multiple route dengan cost (biaya) yang sama ke tujuan yang sama.

ospf seharusnya seharusnya dirancang dengan cara heirarkis, yang pada dasarnya berarti bahwa sebuah internetwork yang besar dapat dipecah menjadi internetwork-internetwork yang lebih kecil. Alasan untuk menerapkan OSPF dalam rancangan hierarkis (topologi) antara lain :

- untuk mengurangi overhead (waktu pemrosesan) routing

- untuk mempercepat convergence

- untuk membatasi ketidakstabilan network di sebuah area

Contoh Rancangan OSPF

gambar di atas menunjukkan sebuah rancangan sederhana khas ospf. Setiap router terhubung ke backbone yang disebut area 0 atau area backbone. OSPF harus memiliki area 0 dan semua router harus terhubung ke area ini jika memungkinkan, tetapi router-router yang menghubungkan area-area lain ke backbone di dalam sebuah AS disebut Area Border Routerss (ABRs). Meskipun demikian, paling sedikit satu interface harus berada di area 0.

= = =

MENGKONFIGURASI OSPF

IP address antar router tidak menerapkan VLSM untuk alokasi IP Address

=========================================
IP ADD RA
==========================================
Router>ena
Router#config t
Router(config)#hostname RA
RA(config)#int gigabitEthernet 0/0
RA(config-if)#ip address 192.168.20.1 255.255.255.0
RA(config-if)#no sh

RA(config-if)#exit
RA(config)#int gigabitEthernet 0/1
RA(config-if)#ip address 192.168.10.1 255.255.255.0
RA(config-if)#no sh
RA#copy running-config startup-config 

======================================

IP ADD RB

======================================

Router>ena
Router#config t
Router(config)#hostname RB
RB(config)#int gigabitEthernet 0/0
RB(config-if)#ip address 192.168.20.2 255.255.255.0
RB(config-if)#no sh

RB(config-if)#exit
RB(config)#int gigabitEthernet 0/1
RB(config-if)#ip address 192.168.40.1 255.255.255.0
RB(config-if)#no sh
RB(config-if)#exit
RB(config)#int gigabitEthernet 0/2

RB(config-if)#ip address 192.168.30.1 255.255.255.0
RB(config-if)#no sh
RB(config-if)#end
RB#copy running-config startup-config

================================

RC IP Add
===============================
Router>ena
Router#config t
Router(config)#hostname RC
RC(config)#int gigabitEthernet 0/0
RC(config-if)#ip address 192.168.40.2 255.255.255.0
RC(config-if)#no sh
RC(config-if)#exit

RC(config)#int gigabitEthernet 0/1
RC(config-if)#ip address 192.168.50.1 255.255.255.0
RC(config-if)#no shutdown 
RC(config-if)#end
RC#copy running-config startup-config

===================================

OSPF

===================================

RA#config t

RA(config)#router ospf 12

RA(config-router)#network 192.168.10.1 0.0.0.0 area 0

RA(config-router)#network 192.168.20.1 0.0.0.0 area 0

RA(config-router)#end

RA#copy running-config startup-config

RB#config t

RB(config)#router ospf 14

RB(config-router)#network 192.168.0.0 0.0.255.255 area 0

RB(config-router)#end

RB#copy running-config startup-config 

RC#configure terminal 

RC(config)#router ospf 20

RC(config-router)#network 192.168.40.0 0.0.0.255 area 0

RC(config-router)#network 192.168.50.0 0.0.0.255 area 0

RC(config-router)#end

RC#copy running-config startup-config 

===

RA#sh ip route 

     192.168.10.0/24 is variably subnetted, 2 subnets, 2 masks

C       192.168.10.0/24 is directly connected, GigabitEthernet0/1

L       192.168.10.1/32 is directly connected, GigabitEthernet0/1

     192.168.20.0/24 is variably subnetted, 2 subnets, 2 masks

C       192.168.20.0/24 is directly connected, GigabitEthernet0/0

L       192.168.20.1/32 is directly connected, GigabitEthernet0/0

O    192.168.30.0/24 [110/2] via 192.168.20.2, 00:03:55, GigabitEthernet0/0

O    192.168.40.0/24 [110/2] via 192.168.20.2, 00:03:55, GigabitEthernet0/0

O    192.168.50.0/24 [110/3] via 192.168.20.2, 00:02:52, GigabitEthernet0/0

5.1 Integral - Luas Area

Sumber : Calculus (9rd Edition) Dale Varberg, Edwin Purcell

Chapter 5.1

ada bagian salah tanda +- pada :
$ (-x^2 - x - 2) $ seharusnya $ (-x^2 - x + 2 ) $

bagian lainnya sudah benar

5.4 Thomas Integral

 Beberapa contoh penyelesaian soal-soal Kalkulus

Sumber : Thomas Calculus

Ch : 5.4

Simulasi Static Routing dengan Packet Tracert

 

R2

======

Fa1/0  192.168.30.1 /24

Fa0/0 192.168.1.6/ 30

Se3/0 192.168.1.14 /30

R0

=======

Fa1/0  192.168.10.1 /24

Fa0/0  192.168.1.5 /30

Se2/0  192.168.1.9 /30

PC0    192.168.10.2 /24

R1

=======

Fa1/0  192.168.20.1 /24

Se2/0  192.168.1.10 /30

Se3/0  192.168.1.13 /30

R0

=====

Router>enable 

Router#configure terminal 

Router(config)#hostname R0

R0(config)#interface fa1/0

R0(config-if)#ip address 192.168.10.1 255.255.255.0

R0(config-if)#no shutdown 

R0(config-if)#exit

R0(config)#interface fa0/0

R0(config-if)#ip address 192.168.1.5 255.255.255.252

R0(config-if)#no shutdown 

R0(config)#interface se2/0

R0(config-if)#ip address 192.168.1.9 255.255.255.252

R0(config-if)#no shutdown 

R0(config-if)#end

R0#copy running-config startup-config 

Destination filename [startup-config]? 

Building configuration...

R1

=====

Router>enable 

Router#configure terminal 

Router(config)#hostname R1

R1(config)#interface fa1/0

R1(config-if)#ip address 192.168.20.1 255.255.255.0

R1(config-if)#no shutdown 

R1(config-if)#exit

R1(config)#interface se2/0

R1(config-if)#ip address 192.168.1.10 255.255.255.252

R1(config-if)#no shutdown 

R1(config-if)#exit

R1(config)#interface se3/0

R1(config-if)#ip address 192.168.1.13 255.255.255.252

R1(config-if)#no shutdown 

R1(config-if)#exit

R1(config)#end

R1#copy running-config startup-config 

R2

=============

Router>enable 

Router#configure terminal 

Router(config)#hostname R2

R2(config)#interface fa1/0

R2(config-if)# ip address 192.168.30.1 255.255.255.0

R2(config-if)#no shutdown 

R2(config-if)#exit

R2(config)#interface fa0/0

R2(config-if)#ip address 192.168.1.6 255.255.255.252

R2(config-if)#no shutdown 

R2(config-if)#exit

R2(config)#interface se3/0

R2(config-if)#ip address 192.168.1.14 255.255.255.252

R2(config-if)#no shutdown 

R2(config-if)#end

R2#copy running-config startup-config 

=========================

Static Routing

=========================

Pada R0, rute menuju network di bawah R2 melalui dua jalur (1 sebagai back up), yaitu melalui 192.168.1.6 dan 192.168.1.10 (R1)

R0>enable 

R0#configure terminal 

R0(config)#ip route 192.168.30.0 255.255.255.0 192.168.1.6

R0(config)#ip route 192.168.30.0 255.255.255.0 192.168.1.10

R0(config)#ip route 192.168.20.0 255.255.255.0 192.168.1.10

R0(config)#ip route 192.168.1.12 255.255.255.252 192.168.1.10

R0(config)#end

R0#copy running-config startup-config 

R1>enable 

R1#configure 

R1(config)#ip route 192.168.10.0 255.255.255.0 192.168.1.9

R1(config)#ip route 192.168.30.0 255.255.255.0 192.168.1.14

R1(config)#end

R1#copy running-config startup-config 

R2#configur

R2(config)#ip route 192.168.10.0 255.255.255.0 192.168.1.13

R2(config)#ip route 192.168.1.8 255.255.255.252 192.168.1.13

R2(config)#ip route 192.168.20.0 255.255.255.0 192.168.1.13

R2(config)#end

R2#copy running-config startup-config 

------

R0#show ip route 

Gateway of last resort is not set

     192.168.1.0/30 is subnetted, 3 subnets

C       192.168.1.4 is directly connected, FastEthernet0/0

C       192.168.1.8 is directly connected, Serial2/0

S       192.168.1.12 [1/0] via 192.168.1.10

C    192.168.10.0/24 is directly connected, FastEthernet1/0

S    192.168.20.0/24 [1/0] via 192.168.1.10

S    192.168.30.0/24 [1/0] via 192.168.1.6

                     [1/0] via 192.168.1.10

R1#show ip route 

     192.168.1.0/30 is subnetted, 2 subnets

C       192.168.1.8 is directly connected, Serial2/0

C       192.168.1.12 is directly connected, Serial3/0

S    192.168.10.0/24 [1/0] via 192.168.1.9

C    192.168.20.0/24 is directly connected, FastEthernet1/0

S    192.168.30.0/24 [1/0] via 192.168.1.14

SVM dan PCA (Principal Component Analisys)

Dataset : https://www.kaggle.com/uciml/pima-indians-diabetes-database

Studi kasus : Klasifikasi Diabetes

jumlah fitur = 8 

1. Pregnancies: Jumlah kali hamil
2. Glucose: Konsentrasi glukosa plasma dalam 2 jam saat tes toleransi glukosa oral
3. BloodPressure: Tekanan darah diastolik (mm Hg)
4. SkinThickness: Ketebalan lipatan kulit trisep (mm)
5. Insulin: Insulin serum dalam 2 jam (mu U/ml)
6. BMI: Indeks massa tubuh (berat dalam kg / (tinggi dalam meter)^2)
7. DiabetesPedigreeFunction: Nilai fungsi silsilah diabetes
8. Age: Umur (tahun)
9. Outcome: Variabel target, 0 untuk tidak menderita diabetes dan 1 untuk menderita diabetes.

PCA berfungsi untuk mereduksi ke 8 fitur tersebut untuk menjadi 2 fitur baru misal PC1 dan PC 2.  Nilai PC1 dan PC2 merupakan kombinasi linear dari seluruh fitur asli pada dataset. Dengan kata lain komponen 1 dan komponen 2 dihasilkan melalui reduksi dimensi dari seluruh fitur pada dataset dengan menggunakan metode PCA. Oleh karena itu, tidak ada fitur spesifik yang ditentukan sebagai komponen 1 atau 2, melainkan merupakan kombinasi linear dari seluruh fitur pada dataset.

 

import pandas as pd

from sklearn.preprocessing import StandardScaler
from sklearn.decomposition import PCA
from sklearn.svm import SVC
from sklearn.metrics import accuracy_score
from sklearn.metrics import confusion_matrix
import numpy as np
import matplotlib.pyplot as plt

# Load dataset
train_data = pd.read_csv("diabetes-train.csv")
test_data = pd.read_csv("diabetes-test.csv")

# Separate attributes and targets
X_train = train_data.iloc[:, :-1].values
y_train = train_data.iloc[:, -1].values
X_test = test_data.iloc[:, :-1].values
y_test = test_data.iloc[:, -1].values

# Standardize the data
scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)

# Apply PCA
pca = PCA(n_components=2)
X_train = pca.fit_transform(X_train)
X_test = pca.transform(X_test)

# Print 2 new features from PCA
#print("New feature 1 (PC1):", X_test[:, 0])
#print("New feature 2 (PC2):", X_test[:, 1])

# Print variance ratio of each component
print(pca.explained_variance_ratio_)

# Train SVM
svm = SVC(kernel='linear', random_state=0)
svm.fit(X_train, y_train)

# Make predictions on the test data
y_pred = svm.predict(X_test)

# Calculate accuracy
accuracy = accuracy_score(y_test, y_pred)
print("Accuracy: {:.2f}%".format(accuracy*100))

# Menghitung confusion matrix
cm = confusion_matrix(y_test, y_pred)

# Menampilkan confusion matrix
print("Confusion matrix:")
print(cm)

# Print coefficients of the hyperplane
print("Coefficients of the hyperplane: ", svm.coef_)

# Plot decision boundary
x_min, x_max = X_test[:, 0].min() - 1, X_test[:, 0].max() + 1
y_min, y_max = X_test[:, 1].min() - 1, X_test[:, 1].max() + 1
xx, yy = np.meshgrid(np.arange(x_min, x_max, 0.1), np.arange(y_min, y_max, 0.1))
Z = svm.predict(np.c_[xx.ravel(), yy.ravel()])
Z = Z.reshape(xx.shape)
plt.contourf(xx, yy, Z, alpha=0.4)
plt.scatter(X_test[:, 0], X_test[:, 1], c=y_pred, s=20, edgecolor='k')
plt.xlabel('PC1')
plt.ylabel('PC2')
plt.title('SVM Decision Boundary')
plt.show()

# Print actual and predicted values for each test data point
#print("{:<10} {:<15} {}".format('Index', 'Actual Value', 'Predicted Value'))
#for i in range(len(y_test)):
#    print("{:<10} {:<15} {}".format(i+1, y_test[i], y_pred[i]))

# Save actual and predicted values to txt file
with open('actual_pred.txt', 'w') as f:
    f.write("{:<10} {:<15} {}\n".format('Index', 'Actual Value', 'Predicted Value'))
    for i in range(len(y_test)):
        f.write("{:<10} {:<15} {}\n".format(i+1, y_test[i], y_pred[i]))
print("Actual and predicted values saved to actual_pred.txt file")

# Save 2 new features to excel file
new_features = pd.DataFrame({'New feature 1 (PC1)': X_test[:, 0], 'New feature 2 (PC2)': X_test[:, 1]})
new_features.to_excel('new-features.xlsx', index=False)

Hasil Running Program

Dua Fitur yang Dihasilkan oleh PCA

Penjelasan Program

# Standardize the data
scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)

- - -

Baris kode scaler = StandardScaler() digunakan untuk membuat objek scaler yang akan digunakan untuk melakukan standardisasi pada data, 

pada baris kode X_train = scaler.fit_transform(X_train), objek scaler digunakan untuk melakukan proses standardisasi pada data latih (X_train). Proses standardisasi ini dilakukan dengan mengubah skala nilai pada setiap fitur sehingga memiliki mean (rerata) 0 dan standar deviasi (simpangan baku) 1. Hal ini bertujuan untuk memastikan bahwa semua fitur memiliki pengaruh yang setara terhadap model yang akan dibangun

Baris kode X_test = scaler.transform(X_test) digunakan untuk melakukan proses standardisasi yang sama pada data uji (X_test) menggunakan objek scaler yang sama dengan yang digunakan pada data latih.

Menuliskan hasil Standarisasi Fitur pada File

import pandas as pd

from sklearn.preprocessing import StandardScaler

# Read data train and test

train_data = pd.read_csv('diabetes-train.csv')

test_data = pd.read_csv('diabetes-test.csv')

# Separate features and target variable

X_train = train_data.iloc[:, :-1].values

y_train = train_data.iloc[:, -1].values

X_test = test_data.iloc[:, :-1].values

y_test = test_data.iloc[:, -1].values

# Standardize the data

scaler = StandardScaler()

X_train_std = scaler.fit_transform(X_train)

X_test_std = scaler.transform(X_test)

# Create standardized dataframes

train_data_std = pd.DataFrame(data=X_train_std, columns=train_data.columns[:-1])

test_data_std = pd.DataFrame(data=X_test_std, columns=test_data.columns[:-1])

train_data_std['Outcome'] = y_train

test_data_std['Outcome'] = y_test

# Save to Excel

with pd.ExcelWriter('diabetes-std.xlsx', engine='xlsxwriter') as writer:

    train_data_std.to_excel(writer, sheet_name='Train', index=False)

    test_data_std.to_excel(writer, sheet_name='Test', index=False)

----

Standarisasi Nilai-Nilai Fitur

# Apply PCA

pca = PCA(n_components=2)

X_train = pca.fit_transform(X_train)

X_test = pca.transform(X_test)

Bars program di atas bertujuan untuk mengimplementasikan PCA (Principal Component Analysis) pada data. PCA adalah salah satu teknik reduksi dimensi yang berguna dalam mengatasi masalah overfitting dan mengurangi kompleksitas model. PCA diaplikasikan pada data latih dan data uji dengan memanggil objek PCA dari library scikit-learn. Argumen n_components diatur menjadi 2 untuk menghasilkan 2 fitur baru yang merupakan kombinasi linier dari fitur asli yang paling signifikan dalam menjelaskan varian data.

Setelah PCA diaplikasikan, fitur-fitur asli pada data latih dan data uji diubah ke dalam representasi fitur-fitur baru yang dihasilkan oleh PCA. Ini dilakukan dengan memanggil metode fit_transform() pada data latih dan transform() pada data uji.

----

Bersambung