ANALISIS BEBERAPA TEKNIK CODING RAHMAD FAUZI, ST, MT JURUSAN TEKNIK ELEKTRO FAKULTAS TEKNIK UNIVERSITAS SUMATERA UTARA BAB

I PENDAHULUAN Sistem komunikasi dirancang untuk mentransmisikan informasi yang dibangkitkan oleh sumber ke beberapa tujuan. Sumber Informasi mempunyai beberapa bentuk yang berbeda. Sebagai contoh, dalam radio broadcasting, sumber biasanya sebuah sumber audio (suara atau musik). Dalam TV broadcasting, sumber informasi biasanya sebuah sumber video yang keluarannya berupa image bergerak. Output dari sumber-sumber ini adalah sinyal analog dan sumbernya disebut sumber analog. Kontras dengan Komputer dan tempat penyimpanan data (storage), seperti disk magnetic atau optical, menghasilkan output berupa sinyal diskrit (biasanya karakter binary atau ASCII) dan tentu sanya sumbernya disebut sumber diskrit. Baik sumber analog maupun diskrit, sebuah komunikasi digital dirancang untuk mentransmisikan informasi dalam bentuk digital. Sehingga konsekuensinya keluaran dari sumber harus diubah dahulu menjadi bentuk keluaran sumber digital yang biasanya dilakukan pada source encoder, yang keluarannya dapat diasumsikan sebuah digit biner sekuensial. Pada akhir 40-an dimana dimulainya tahun Teori Informasi, ide pengembangan metode coding yang efisien baru dimulai dan dikembangkan. Dimulainya penjelajahan Ide dari entropy, information content dan redundansi. Salah satu ide yang popular adalah apabila probabilitas dari simbol dalam suatu pesan diketahui, maka terdapat cara untuk mengkodekan simbol, sehingga pesan memakan tempat yang lebih kecil. Model pertama yang muncul untuk kompresi sinyal digital adalah ShannonFano Coding. Shannon dan Fano (1948) terus-menerus ,mengembangkan algoritma ini yang menghasilkan codeword biner untuk setiap simbol (unik) yang terdapat pada data file. Huffman coding [1952] memakai hampir semua karakteristik dari ShannonFano coding. Huffman coding dapat menghasilkan kompresi data yang efektif dengan mengurangkan jumlah redundansi dalam mengkoding simbol. Telah dapat dibuktikan, bahwa Huffman Coding merukan metode fixed-length yang paling efisien. Pada limabelas tahun terakhir, Huffman Coding telah digantikan oleh arithmetic coding. Arithmetic coding melewatkan ide untuk menggantikan sebuah simbol masukan dengan kode yang spesifik. Algoritma ini menggantikan sebuah aliran simbol masukan dengan sebuah angka keluaran single floating-point. Lebih banyak bit dibutuhkan dalam angka keluaran, maka semakin rumit pesan yang diterima. Algoritma Dictionary-based compression menggunakan metode yang sangat berbeda dalam mengkompres data. Algoritma ini menggantikan string variable-length dari simbol menjadi sebuah token. Token merupakan sebuah indek dalam susunan kata di kamus. Apabila token lebih kecil dari susunan kata, maka tken akan menggantikan prase tersebut dan kompresi terjadi. Masih banyak lagi metode dan algoritma kompresi, namun dalam makalah ini akan dibahas mengenai

© 2003 Digitized by USU digital library

1

efisiensi dari sumber dapat dihasilkan dari source coding. © 2003 Digitized by USU digital library 2 . Teori Source Encoding mencanangkan sebuah limit dasar dari sebuah ukuran dimana keluaran dari sebuah sumber informasi dapat dikompresi tanpa menyebabkan probabilitas error yang besar. dan H(X) maksimum ketika sumber mempunyai simbol probabilitas yang sama. Shannon-Fano dan Adaptif Huffman. Pengurangan dari rate transmisi dapat mengurangi biaya dari sambungan dan memberikan kemungkinan untuk pengguna berbagi dalam sambungan yang sama. Dalam kata lain. maka dapat dipetakan (encode) setiap simbol dalam sebuah codeword dengan panjang n. Efisiensi dari sumber ditentukan oleh H(X)/H(X)max. Dalam makalah ini akan dibahas dan dianalisa source encoding berdasarkan model matematis dari sumber informasi dan pengukuran kuantitatif dari informasi yang dihasilkan oleh sumber. Kita telah mengetahui bahwa entropy dari sebuah sumber informasi merupakan sebuah ukuran dari isi informasi pada sebuah sumber. BAB II DASAR TEORI Pandangan dasar dari source coding adalah menghilangkan redundansi dari sumber.metode kompresi dengan menggunakan Huffman. Sehingga. Source Coding menghasilkan data compresi dan mengurangi rate dari transmisi. dimana pi merupakan probabilitas pada simbol ke-I. Teori Shannon Noiseless Source Coding menyatakan bahwa nilai rata-rata dari simbol biner per keluaran sumber dapat digunakan untuk mendekati entropi dari sumber. Secara umum kita dapat meng-kompres data tanpa menghilangkan informasi (lossless source coding) atau mengkompress data dengan adanya kehilangan informasi (loss source coding). dan/atau secara statistic tidak terikat satu dengan yang lain. Untuk sumber dengan probabilitas simbol yang sama. Teori Source Encoding merupakan salah satu dari ketiga teorema dasar dari teori informasi yang diperkenalkan oleh Shannon (1948). dari pendapat teori source encoding bahwa entropy dari sebuah sumber sangat penting.

Ini berarti harus terdapat satu cara untuk memecahkan urutan biner yang diterima kedalam suatu codeword. Pengurutan keluaran sumber dimulai dari probabilitas paling tinggi. 4. panjang blok dari keluaran sumber dipetakan dalam blok biner berdasarkan pajang variable. Seperti yang disebutkan diatas. maka lanjut kelangkah berikutnya.1 Algoritma Huffman Coding Dalam Huffman Coding. Ide dasar dari cara Huffman ini adalah memetakan mulai simbol yang paling banyak terdapat pada sebuah urutan sumber sampai dengan yang jarring muncul menjadi urutan biner. Cara seperti ini disebut sebagai fixed to variable-length coding. namun apabila masih terdapat lebih dari 2. Huffman Code dapat mendekodekan secara unik dengan H(x) minimum. Apabila kita dapat memetakan setiap keluaran sumber dari probabiltas pi ke sebuah codewortd dengan panjang 1/pi dan pada saat yang bersamaan dapat memastikan bahwa dapat didekodekan secara unik. kembali ke langkah 1.Gambar 1. Dalam variable-length coding. 3. Memberikan nilai 0 dan 1 untuk kedua keluaran © 2003 Digitized by USU digital library 3 . Klasifikasi dari beberapa teknik kompresi 2. Algoritma dari Huffman encoding adalah : 1. bahwa ide dari Huffman Coding adalam memilih panjang codeword dari yang paling besar probabilitasnya sampai dengan urutan codeword yang paling kecil probabilitasnya. Menggabungkan 2 keluaran yang sama dekat kedalam satu keluaran yang probabilitasnya merupakan jumlah dari probabilitas sebelumnya. dan optimum pada keunikan dari kode-kode tersebut. Apabila setelah dibagi masih terdapat 2 keluaran. 2. sinkronisasi merupakan suatu masalah. kita dapat mecari rata-rata panjang kode H(x).

ulangi sampai keluaran merupakan satu keluaran yang berdiri sendiri. Alur program Huffman code Contoh Apabila kita mempunyai kalimat: "EXAMPLE OF HUFFMAN CODE" Pertama. maka berikan tanda 0 dan 1 untuk codeword-nya. Urutkan probabilitas dari tinggi ke rendah Gabungkan 2 keluaran yang paling bawah Jumlah elemen = 2 Yes Berikan tanda 0 dan 1 No Apakah elemen gabungan dari 2 simbol Yes Tambahkan codeword dengan 0 dan 1 No Stop Gambar 2. Apabila sebuah keluaran merupakan hasil dari penggabungan 2 keluaran dari langkah sebelumnya.5. kita kalkulasi probabilitas dari setiap simbol : © 2003 Digitized by USU digital library 4 .

Symbol E X A M P L O F H U C D I N G space Probability 2/25 1/25 2/25 2/25 1/25 1/25 2/25 2/25 1/25 1/25 1/25 1/25 1/25 2/25 1/25 3/25 Huffman Tree dari kalimat tersebut adalah : © 2003 Digitized by USU digital library 5 .

2 Algoritma Shannon-Fano Encoding Teknik coding Shannon Fano merupakan salah satu algoritma pertama yang tujuannya adalah membuat code word dengan redundansi minimum. Shannon Fano coding menghasilkan codeword yang tidak sama panjang. Cara efisien lainnya dalam variable-length coding adalah Shannon-Fano encoding. maka code word semakin pendek. • Ulangi langkah ke 2. dan memberikan nilai 0 untuk bagian atas dan 1 untuk bagian bawah. Contoh Apabila kita mempunyai kalimat: "EXAMPLE OF SHANNON FANO" Pertama. yang ditemukan beberapa tahun kemudian.2. Dalam memperkirakan panjang setiap codeword maka dapat ditentukan dari probabilitas setiap simbol yang direpresentasikan oleh codeword tersebut. • Membagi menjadi 2 bagian yang sama besar. yang berarti beberapa simbol pada pesan (yang akan dikodekan) direpresentasikan dengan code word yang lebih pendek dari simbol yang ada di pesan. Semakin tinggi probabilitasnya. sehingga kode tersebut bersifat unik dan dapat didekodekan. Prosedur dalam Shannon-Fano encoding adalah : • Menyusun probabilitas simbol dari sumber dari yang paling tinggi ke yang paling rendah. kita kalkulasi probabilitas dari setiap simbol: Symbol E X A M P L O F S H N space Codewords 2/23 1/23 3/23 1/23 1/23 1/23 3/23 2/23 1/23 1/23 4/23 3/23 © 2003 Digitized by USU digital library 6 . Shannon Fano coding didasarkan pada variable length-word. seperti Huffman codes. setiap pembagian dengan probabilitas yang sama sampai dengan tidak mungkin dibagi lagi • Encode setiap simbol asli dari sumber menjadi urutan biner yang dibangkitkan oleh setiap proses pembagian tersebut. Seperti yang disebutkan di atas. Ide dasar dari membuat code word dengan variable-code length.

metode one-pass tidak akan menarik apabila jumlah bit yang ditransmisikan lebih besar dari metoda twopass. karen factor kompresinya mencapai 30-40% © 2003 Digitized by USU digital library 7 . Dalam pengertian. karena metode ini optimal hanya [ada metode yang mengasumsikan mapping berdasarkan time-variant. performa dari metode ini. dalam ruang lingkup jumlah bit yang ditransmisikan. Metode adaptive Faller. Semua metode yang ditemukan merupakan skema define-word tabf menentukan mapping dari pesan sumber menjadi codeword didasari pada perkiraan probabilitas pesan sumber. Kinerja compact ini termasuk bagus. Gallaber 1978). berganti sesuai dengan perkiraan optimalnya pada saat itu. encoder mempelajari karakteristik dari sumber. Kode bersifat adaptive. Keuntungan lain dari system ini adalah kebutuhan akan lewatnya data. Kinerja dari metode adaptive dapat lebih buruk daripada metode static. Tentu saja. Namun.3 Algoritma Adaptive Huffman Coding Adaptive Huffman coding pertama kali diperkenalkan oleh Faller dan Gallager (Faller 1973. Permasalahan ini tidak kontradiktif dengan optimalisasi pada metode statis. Gallager dan Knuth merupakan dasar dari UNIX utility compact. data akan lewat hanya sekali (tanpa table statistic). Dekoder harus mempelajari bersamaan dengan encoder dengan selalu memperbaharui Huffman tree sehingga selalu sinkron dengan encoder. Dalam hal ini. Versi terbaru dari adaptive Huffman Coding diperkenalkan oleh Vitter (Vitter 1987).Coding tree dari contoh tersebut adalah : 2. dapat lebih baik daripada static Huffman coding. Adaptive Huffman Code merespon lokalitas. Knuth memberikan kontribusi dengan peningkatan pada algoritmanya (Knuth 1985) dan menghasilkan algoritma yang dikenal dengan algoritma FGK.

11 akan ditransmisikan untuk b selanjutnya. Gambar 3. Dalam algoritma FGK. © 2003 Digitized by USU digital library 8 . 101 akan ditransmisikan untuk tempat selanjutnya. k dari kemungkinan n pesan sumber terdapat pada susunan pesan.Dasar dari algoritma FGK adalah adanya sibling (factor turunan) property. didefinisikan oleh Gallager [Gallager 1978]: binary code tree mempunyai sibling apabila setiap node )kecuali root) mempunyai sebuah sibling dan apabila node-node tersebut dapat diurutkan dalam weight dengan setiap node berhubungan dengan siblingnya masing-masing. Pada titik manapun dalam satuan waktu. pohon tidak berubah. (b) Setelah b ketiga. baik pengirim dan penerima menangani perubahan dinamis dari Huffman code tree. Daun dari setiap pohon Huffman code merepresentasikan pesan sumber dan berat dari setiap daun merepresentasikan hitungan frekuensi untuk setiap pesan. Algoritma FGK Pada Gambar 3. Gallager membuktikan bahwa sebuah code prefik biner merupakan Huffman code jika dan hanya jika code tree mempunyai sibling property. Algoritma FGK mengolah susunan EXAMPLE (a) Pohon setelah memproses "aa bb".

• Pengaruh nilai entropi terhadap gain kompresi. file notepad. yang disebut 0node. maka algoritma mentrasmisikan code ke a(t+1). menaikkan counter dan menghitung kembali pohon. BAB III ANALISA 4. 0-node dipisah untuk membuat 2 pasang daun. Pada setiap node. Apabila terdapat pesan yang tidak digunakan. the code tree consists of a single leaf node. Untuk setiap pesan yang ditransmisikan. Pembaharuan dari pohon dapat dilakukan dalam sebuah single traversal dari node a(t+1) sampai dengan root-nya. Sekali lagi dalam proses ini. Traversal ini harus meningkatkan perhitungan untuk node a(t+1) dan untuk setiap bagian atas dari node tersebut. Pada awalnya. dan siblingnya adalah 0-node yang baru. • Pengaruh banyaknya frekuensi tiap simbol terhadap gain kompresi. Node boleh berubah untuk memelihara sibling property-nya. k dari mereka berbeda. Dalam kasus ini. dan k < n. satu untuk a(t+1). 0-node digunakan untuk menggambarkan pesan n-k yang tidak digunakan. • Kekurangan dari masing-masing metode kompresi yang digunakan dalam program simulasi. Apabila pesan ke (t+1) adalah salah satu dari k. sebagai tambahan. • Kelebihan dari masing-masing metode kompresi yang digunakan dalam program simulasi. (c) Pohon setelah diperbaharui dengan c pertama. penerima harus memberitahukan pesan n-k mana yang tidak digunakan yang muncul. kode untuk 0-node dikirimkan. kedua bagian harus menambahkan weight dan menghitung kembali code tree untuk mempertahankan simbling property. Permasalahan yang akan dianalisa adalah: • Pengaruh banyaknya simbol terhadap gain kompresi. Pada titik dalam satuan waktu dimana t pesan telah ditransmisikan. Analisa untuk jenis file suara dan teks pada intinya adalah sama.txt dan sound.wav juga dapat dikompresi dengan program simulasi ini. penyimpanan perhitngan dari pesan yang muncul dilakukan. Gambar tersebut adalah: © 2003 Digitized by USU digital library 9 .100 akan ditransmisikan untuk c pertama.1 Permasalahan yang Dianalisa Untuk melakukan simulasi program kompresi data di Matlab. pohon merupakan Huffman tree asli dengan daun sebanyak k+1. Node diberikan nomor untuk mengindikasikan posisi mereka dalam urutan sibling propertinya. namun perubahan membutuhkan keterlibatan node pada path a(t+1) ke root-nya. kami hanya menggunakan file gambar bitmap (bmp) dengan jenis yang berbeda satu sama lain. Analisa proses kompresi pada makalah ini hanya akan menjelaskan kompresi gambar. pohon diperhitungkan kembali. 1 yaitu k pesan dan 0-node. Namun pada dasarnya. Pada titik dimana t pesan telah ditransmisikan.

bmp (17 kB) Dari gambar diketahui bahwa kompleksitas masing-masing gambar berbeda. Warna paling hitam disimbolkan dengan 0. Berikut adalah banyaknya graylevel dari masing-masing gambar: Nama File Putih.bmp Fish.bmp Stone.bmp Gambar. Gambar hitam-putih (grayscale) dikodekan oleh 8 bit. Banyaknya gray level menentukan banyaknya simbol yang harus dikodekan.bmp Berikut adalah hasil dari kompresi: Banyaknya Gray Level 15 72 60 237 © 2003 Digitized by USU digital library 10 .bmp (4 kB) stone.Putih.bmp (12 kB) fish. Putih. Kompleksitas gambar ditentukan oleh banyaknya gradasi warna (gray level) setiap gambar.bmp mempunyai kompleksitas paling rendah dan fish. Artinya akan ada 28 level warna hitam.bmp mempunyai kompleksitas paling tinggi. sedangkan warna paling putih disimbolkan dengan 255.bmp (6 kB) gambar.

Huffman membutuhkan waktu lebih lama dari Shannon-Fano. Sedangkan pada Shannon-Fano.3186 1.0159 54. Sebelum dikodekan dengan kode Huffman.bmp Entropi 0. simbol-simbol harus diurutkan dari yang paling tinggi probabilitasnya hingga yang paling rendah.bmp mempunyai nilai entropi yang tinggi (6. Pada stone. Begitu seterusnya sampai pada akhir penjumlahannya bernilai 1.87332 Codelength (before) 42700 bits 25200 bits 70000 bits 70000 bits Codelength (after) 6318 bits 8799 bits 31914 bits 68599 bits Gain % 85. Kemudian dua probabilitas terkecil dijumlahkan dan hasilnya diurutkan kembali dari yang paling besar hingga yang paling kecil. Itu berarti semua graylevel 255 dikodekan dengan 1 bit.75714 Hasil pengkodean dari masing-masing file dapat dilihat di lembar lampiran. fish. Berbeda dengan putih. Hal ini dikarenakan frekuensi dari setiap simbol pada gambar. Ini dapat ditunjukan dari banyaknya simbol dengan frekuensi yang hampir merata di setiap simbolnya (lihat lampiran).87332 Codelength (before) 42700 bits 25200 bits 70000 bits 70000 bits Codelength (after) 6318 bits 8816 bits 31977 bits 68770 bits Gain % 85.bmp Fish. Karena itulah fish. Pada Huffman.bmp Stone.87). Gambar putih. Ini disebabkan algoritma Huffman yang lebih panjang dan kompleks daripada algoritma Shannon-Fano.15378 6. Dari segi lamanya proses pengkodean.0833 54.bmp. Jumlah simbol-simbol lain tidak terlalu besar (lihat lampiran). dikodekan dengan 6 bit.bmp. simbol-simbol hanya satu kali diurutkan dari yang probabilitasnya paling kecil hingga yang paling besar.bmp Gambar.2%). Ini berarti nilai informasi-nya sangat kecil. Simbol-simbol dengan probabilitas kecil.bmp memiliki simbol lebih banyak dari pada stone. gambar.2037 65.bmp kurang merata dibandingkan stone.2037 65. Bagaimana cara komputer membaca dan membedakan deretan bit yang sudah dikodekan ? © 2003 Digitized by USU digital library 11 .bmp yang paling kecil hasilnya. Begitu seterusnya hingga setiap kelompok tidak dapat lagi dibagi dua (hanya tersisa 1 simbol). Simbol dengan probabilitas terbesar dikodekan hanya dengan 1 bit. Namun setelah dikompresi justru gambar.40134 3.40134 3.bmp hanya dapat dikompresi dengan gain 2 % (metode Huffman).bmp memiliki entropi paling kecil (0.bmp Stone.00143 Metode Shannon-Fano Nama file Putih.bmp.4086 2.bmp adalah 255 (gray level 255) yang jumlahnya 5940. setiap simbol dikodekan dengan 8 bit. Bila kita perhatikan.bmp Fish. Karena itulah gain kompresi yang didapat sangat tinggi (85.19693).bmp frekuensi dari masingmasing simbol hampir sama (lihat lampiran).19693 2.Metode Huffman Nama file Putih.19693 2.bmp Gambar.bmp Entropi 0. Kemudian hasilnya dibagi dua kelompok lagi. terbukti bahwa hampir semua simbol pada putih. Kemudian dari urutan simbol-simbol tersebut dibagi dua kelompok berdasarkan probabilitasnya.15378 6.

ternyata simbol a. Contoh: Iterasi 1 Komputer membaca bit 1 Komputer mencari di tabel apakah simbol untuk kode 1. kita masukan data dari user. Dengan metode Huffman maka jalannya proses pengkodean adalah sebagai berikut: © 2003 Digitized by USU digital library 12 . Iterasi 3 Komputer membaca bit 1 0 0 Komputer mencari di tabel apakah simbol untuk kode 1 0 0.txt kemudian dibaca oleh program dan akan dihasilkan : Simbol 97 108 109 110 117 Frekuensi 3 1 1 1 1 Ini artinya simbol a dinyatakan dengan kode ASCII 1011101 (biner dari 97) dan begitu juga simbol-simbol yang lain dibaca dengan kode ASCII. ternyata tidak ada.Kita ambil contoh masukan dari user berupa teks “maulana”. 4. komputer juga akan membandingkan dengan tabel kode yang juga dikirimkan bersama data. ternyata tidak ada.txt yang isinya berupa teks: maulana User. Selain membaca bit. urutan bitnya menjadi: 1 0 0 0 1 0 1 1 1 0 0 1 1 1 0 Dari urutan bit ini. Iterasi 4 Komputer membaca bit 0 Komputer mencari di tabel apakah simbol untuk kode 0.2 Verifikasi Program Untuk verifikasi kebenaran algoritma program. Apabila dalam pembacaan urutan bit lalu dibandingkan dengan tabelnya ada kecocokan. Iterasi 2 Komputer membaca bit 1 0 Komputer mencari di tabel apakah simbol untuk kode 1 0. dan seterusnya sampai semua kode berhasil diterjemahkan ke simbolnya masingmasing. hasilnya adalah: Simbol m a u l n Probabilitas 1 /7 3 /7 1 /7 1 /7 1 /7 Kode Huffman 100 0 101 110 111 Pada saat dikirimkan. File ini disimpan lalu dikodekan dengan Huffman Code. maka komputer akan langsung menerjemahkannya ke dalam simbol aslinya. komputer akan membaca bit yang terdepan (paling kiri) hingga yang terbelakang (paling kanan). Inilah yang disebut unique prefix. ternyata simbol m.

4011 Simbol u mempunyai probabilitas 1/7 maka besarnya entropi = (-1/7 )2log 1/7 = 0.4011 Jumlah entropi total adalah 2.1281.5239 Simbol m mempunyai probabilitas 1/7 maka besarnya entropi = (-1/7 )2log 1/7 = 0. Berikut adalah perhitungan entropi dari masing-masing simbol: Simbol a mempunyai probabilitas 3/7 maka besarnya entropi = (-3/7 )2log 3/7 = 0. © 2003 Digitized by USU digital library 13 .4011 Simbol n mempunyai probabilitas 1/7 maka besarnya entropi = (-1/7 )2log 1/7 = 0.4011 Simbol l mempunyai probabilitas 1/7 maka besarnya entropi = (-1/7 )2log 1/7 = 0.3/7 97 0 4/7 0 0 1/7 108 109 110 117 1 1 2/7 1 1/7 1 0 1/7 2/7 1 1/7 Hasil kode Huffman dari simbol-simbol di atas adalah: 97 108 109 110 117 0 100 101 110 111 Dengan demikian coding dengan program dan manual sama.

Metode yang kedua adalah Shannon-Fano. jalannya proses pengkodean adalah sebagai berikut: 3 97 108 109 110 1 0 0 0 1 1 0 1 1 1 1 1 117 97 108 109 110 117 0 100 101 110 111 Hasil kode Shannon-Fano dari simbol-simbol di atas adalah: Dengan demikian entropi dengan memakai program dan manual adalah sama. © 2003 Digitized by USU digital library 14 .Dengan demikian entropi dengan memakai program dan manual adalah sama.

2. 3. Simon.” An Introduction to Analog & Digital Communications”. 4. Makin besar entropi. Nilai entropi menentukan gain kompresi. John Wiley & Sons. http://www. Inc.. John Wiley & Sons. Huffman menghasilkan gain kompresi yang lebih baik dibandingkan Shannon-Fano. Sam. Internet. Internet. Hasil kompresi akan dikirimkan ke tujuan berikut dengan tabel kodenya untuk proses dekoding.1979. Banyaknya simbol dan frekuensi masing-masing simbol menentukan nilai entropi suatu data.uci. Inc. Dengan file yang sama. K.edu/~dan/pubs/Data Compression. http://ics.. maka akan makin kecil gain yang diperoleh pada saat pengompresan suatu data.” Digital and Analog Communications Systems”.edu/~dan/pubs/ 4. 2.BAB IV KESIMPULAN 1.ics.uci. Shannon-Fano membutuhkan waktu proses kompresi yang lebih cepat dibandingkan Huffman.1994 3. Dengan file yang sama.html © 2003 Digitized by USU digital library 15 . Urutan biner hasil koding tidak akan salah di-dekodekan karena setiap kode memiliki unique prefix. Haykin. 5. 6. DAFTAR PUSTAKA 1. Shanmugam.

Sign up to vote on this title
UsefulNot useful