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

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

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

Apabila sebuah keluaran merupakan hasil dari penggabungan 2 keluaran dari langkah sebelumnya. 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. kita kalkulasi probabilitas dari setiap simbol : © 2003 Digitized by USU digital library 4 . ulangi sampai keluaran merupakan satu keluaran yang berdiri sendiri. maka berikan tanda 0 dan 1 untuk codeword-nya. Alur program Huffman code Contoh Apabila kita mempunyai kalimat: "EXAMPLE OF HUFFMAN CODE" Pertama.5.

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 .

Seperti yang disebutkan di atas. 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. Contoh Apabila kita mempunyai kalimat: "EXAMPLE OF SHANNON FANO" Pertama. Prosedur dalam Shannon-Fano encoding adalah : • Menyusun probabilitas simbol dari sumber dari yang paling tinggi ke yang paling rendah. maka code word semakin pendek. dan memberikan nilai 0 untuk bagian atas dan 1 untuk bagian bawah. 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 . Semakin tinggi probabilitasnya.2 Algoritma Shannon-Fano Encoding Teknik coding Shannon Fano merupakan salah satu algoritma pertama yang tujuannya adalah membuat code word dengan redundansi minimum.2. • Membagi menjadi 2 bagian yang sama besar. Shannon Fano coding didasarkan pada variable length-word. • Ulangi langkah ke 2. Cara efisien lainnya dalam variable-length coding adalah Shannon-Fano encoding. yang berarti beberapa simbol pada pesan (yang akan dikodekan) direpresentasikan dengan code word yang lebih pendek dari simbol yang ada di pesan. Ide dasar dari membuat code word dengan variable-code length. sehingga kode tersebut bersifat unik dan dapat didekodekan. Shannon Fano coding menghasilkan codeword yang tidak sama panjang. Dalam memperkirakan panjang setiap codeword maka dapat ditentukan dari probabilitas setiap simbol yang direpresentasikan oleh codeword tersebut. yang ditemukan beberapa tahun kemudian.

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

Pada titik manapun dalam satuan waktu. baik pengirim dan penerima menangani perubahan dinamis dari Huffman code tree. Gambar 3. 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. (b) Setelah b ketiga. Dalam algoritma FGK. 101 akan ditransmisikan untuk tempat selanjutnya.Dasar dari algoritma FGK adalah adanya sibling (factor turunan) property. © 2003 Digitized by USU digital library 8 . pohon tidak berubah. k dari kemungkinan n pesan sumber terdapat pada susunan pesan. 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". 11 akan ditransmisikan untuk b selanjutnya. 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.

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

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

Jumlah simbol-simbol lain tidak terlalu besar (lihat lampiran). simbol-simbol hanya satu kali diurutkan dari yang probabilitasnya paling kecil hingga yang paling besar.19693).2037 65.3186 1. Itu berarti semua graylevel 255 dikodekan dengan 1 bit.2037 65.bmp memiliki entropi paling kecil (0.bmp Gambar. Gambar putih.bmp kurang merata dibandingkan stone.bmp Fish. Pada Huffman. Bagaimana cara komputer membaca dan membedakan deretan bit yang sudah dikodekan ? © 2003 Digitized by USU digital library 11 .bmp hanya dapat dikompresi dengan gain 2 % (metode Huffman). Dari segi lamanya proses pengkodean. Sebelum dikodekan dengan kode Huffman.bmp frekuensi dari masingmasing simbol hampir sama (lihat lampiran). Simbol dengan probabilitas terbesar dikodekan hanya dengan 1 bit. fish. Simbol-simbol dengan probabilitas kecil.87).bmp Entropi 0. Kemudian dari urutan simbol-simbol tersebut dibagi dua kelompok berdasarkan probabilitasnya. Begitu seterusnya sampai pada akhir penjumlahannya bernilai 1. setiap simbol dikodekan dengan 8 bit. Ini dapat ditunjukan dari banyaknya simbol dengan frekuensi yang hampir merata di setiap simbolnya (lihat lampiran).bmp.87332 Codelength (before) 42700 bits 25200 bits 70000 bits 70000 bits Codelength (after) 6318 bits 8816 bits 31977 bits 68770 bits Gain % 85.87332 Codelength (before) 42700 bits 25200 bits 70000 bits 70000 bits Codelength (after) 6318 bits 8799 bits 31914 bits 68599 bits Gain % 85. Berbeda dengan putih.bmp Fish.00143 Metode Shannon-Fano Nama file Putih. Namun setelah dikompresi justru gambar.0159 54.bmp adalah 255 (gray level 255) yang jumlahnya 5940. Hal ini dikarenakan frekuensi dari setiap simbol pada gambar.4086 2.15378 6.0833 54.bmp yang paling kecil hasilnya. gambar.19693 2.bmp Entropi 0. dikodekan dengan 6 bit. Huffman membutuhkan waktu lebih lama dari Shannon-Fano. Begitu seterusnya hingga setiap kelompok tidak dapat lagi dibagi dua (hanya tersisa 1 simbol).2%).bmp. Pada stone.bmp Stone. Karena itulah gain kompresi yang didapat sangat tinggi (85.bmp. Kemudian hasilnya dibagi dua kelompok lagi.40134 3.Metode Huffman Nama file Putih.bmp mempunyai nilai entropi yang tinggi (6.bmp memiliki simbol lebih banyak dari pada stone. Bila kita perhatikan.19693 2. Kemudian dua probabilitas terkecil dijumlahkan dan hasilnya diurutkan kembali dari yang paling besar hingga yang paling kecil. Sedangkan pada Shannon-Fano. simbol-simbol harus diurutkan dari yang paling tinggi probabilitasnya hingga yang paling rendah.40134 3. Ini berarti nilai informasi-nya sangat kecil.15378 6. terbukti bahwa hampir semua simbol pada putih.75714 Hasil pengkodean dari masing-masing file dapat dilihat di lembar lampiran.bmp Stone. Karena itulah fish. Ini disebabkan algoritma Huffman yang lebih panjang dan kompleks daripada algoritma Shannon-Fano.bmp Gambar.

maka komputer akan langsung menerjemahkannya ke dalam simbol aslinya. ternyata simbol a. Apabila dalam pembacaan urutan bit lalu dibandingkan dengan tabelnya ada kecocokan. Iterasi 3 Komputer membaca bit 1 0 0 Komputer mencari di tabel apakah simbol untuk kode 1 0 0. ternyata tidak ada. dan seterusnya sampai semua kode berhasil diterjemahkan ke simbolnya masingmasing. File ini disimpan lalu dikodekan dengan Huffman Code. Inilah yang disebut unique prefix. kita masukan data dari user. Iterasi 4 Komputer membaca bit 0 Komputer mencari di tabel apakah simbol untuk kode 0. ternyata tidak ada.Kita ambil contoh masukan dari user berupa teks “maulana”.txt yang isinya berupa teks: maulana User. 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. 4. Iterasi 2 Komputer membaca bit 1 0 Komputer mencari di tabel apakah simbol untuk kode 1 0. Selain membaca bit. Dengan metode Huffman maka jalannya proses pengkodean adalah sebagai berikut: © 2003 Digitized by USU digital library 12 .2 Verifikasi Program Untuk verifikasi kebenaran algoritma program. Contoh: Iterasi 1 Komputer membaca bit 1 Komputer mencari di tabel apakah simbol untuk kode 1. urutan bitnya menjadi: 1 0 0 0 1 0 1 1 1 0 0 1 1 1 0 Dari urutan bit ini. ternyata simbol m.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. komputer juga akan membandingkan dengan tabel kode yang juga dikirimkan bersama data. komputer akan membaca bit yang terdepan (paling kiri) hingga yang terbelakang (paling kanan).

© 2003 Digitized by USU digital library 13 .1281.4011 Jumlah entropi total adalah 2.3/7 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.4011 Simbol n 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 = 0.5239 Simbol m 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 = 0.4011 Simbol u mempunyai probabilitas 1/7 maka besarnya entropi = (-1/7 )2log 1/7 = 0.

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.Dengan demikian entropi dengan memakai program dan manual adalah sama. Metode yang kedua adalah Shannon-Fano. © 2003 Digitized by USU digital library 14 .

Banyaknya simbol dan frekuensi masing-masing simbol menentukan nilai entropi suatu data. Sam. 6. Urutan biner hasil koding tidak akan salah di-dekodekan karena setiap kode memiliki unique prefix. Makin besar entropi. 2. Internet. Huffman menghasilkan gain kompresi yang lebih baik dibandingkan Shannon-Fano. John Wiley & Sons. Inc.uci. John Wiley & Sons.. Inc. Shanmugam. Haykin. Hasil kompresi akan dikirimkan ke tujuan berikut dengan tabel kodenya untuk proses dekoding.” Digital and Analog Communications Systems”. Internet. Shannon-Fano membutuhkan waktu proses kompresi yang lebih cepat dibandingkan Huffman. Dengan file yang sama.” An Introduction to Analog & Digital Communications”.BAB IV KESIMPULAN 1. Dengan file yang sama. http://ics. 2.1979. Simon. maka akan makin kecil gain yang diperoleh pada saat pengompresan suatu data. DAFTAR PUSTAKA 1. 5. 4. Nilai entropi menentukan gain kompresi..html © 2003 Digitized by USU digital library 15 .ics.edu/~dan/pubs/Data Compression.uci. K. http://www.edu/~dan/pubs/ 4. 3.1994 3.