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

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

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

Alur program Huffman code Contoh Apabila kita mempunyai kalimat: "EXAMPLE OF HUFFMAN CODE" Pertama. kita kalkulasi probabilitas dari setiap simbol : © 2003 Digitized by USU digital library 4 . 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 2.5. maka berikan tanda 0 dan 1 untuk codeword-nya. ulangi sampai keluaran merupakan satu keluaran yang berdiri sendiri.

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 .

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

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

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

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

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

19693 2. simbol-simbol hanya satu kali diurutkan dari yang probabilitasnya paling kecil hingga yang paling besar.15378 6.bmp yang paling kecil hasilnya. Ini dapat ditunjukan dari banyaknya simbol dengan frekuensi yang hampir merata di setiap simbolnya (lihat lampiran). Sebelum dikodekan dengan kode Huffman.bmp mempunyai nilai entropi yang tinggi (6.40134 3. Pada Huffman.87332 Codelength (before) 42700 bits 25200 bits 70000 bits 70000 bits Codelength (after) 6318 bits 8799 bits 31914 bits 68599 bits Gain % 85. Kemudian hasilnya dibagi dua kelompok lagi.15378 6.bmp kurang merata dibandingkan stone.bmp hanya dapat dikompresi dengan gain 2 % (metode Huffman). Begitu seterusnya hingga setiap kelompok tidak dapat lagi dibagi dua (hanya tersisa 1 simbol).87332 Codelength (before) 42700 bits 25200 bits 70000 bits 70000 bits Codelength (after) 6318 bits 8816 bits 31977 bits 68770 bits Gain % 85.2037 65.Metode Huffman Nama file Putih.00143 Metode Shannon-Fano Nama file Putih. Namun setelah dikompresi justru gambar.3186 1. dikodekan dengan 6 bit.bmp Gambar. Ini berarti nilai informasi-nya sangat kecil.0159 54. Bila kita perhatikan.4086 2.bmp Fish.bmp Gambar. terbukti bahwa hampir semua simbol pada putih. Begitu seterusnya sampai pada akhir penjumlahannya bernilai 1.bmp.0833 54.19693).bmp Entropi 0. setiap simbol dikodekan dengan 8 bit.19693 2. Ini disebabkan algoritma Huffman yang lebih panjang dan kompleks daripada algoritma Shannon-Fano. Simbol dengan probabilitas terbesar dikodekan hanya dengan 1 bit. Berbeda dengan putih.bmp.2037 65.bmp Fish.bmp Entropi 0.2%). Kemudian dua probabilitas terkecil dijumlahkan dan hasilnya diurutkan kembali dari yang paling besar hingga yang paling kecil. simbol-simbol harus diurutkan dari yang paling tinggi probabilitasnya hingga yang paling rendah. Simbol-simbol dengan probabilitas kecil. Kemudian dari urutan simbol-simbol tersebut dibagi dua kelompok berdasarkan probabilitasnya.bmp frekuensi dari masingmasing simbol hampir sama (lihat lampiran). Jumlah simbol-simbol lain tidak terlalu besar (lihat lampiran). Itu berarti semua graylevel 255 dikodekan dengan 1 bit. gambar.bmp memiliki entropi paling kecil (0.bmp Stone. Huffman membutuhkan waktu lebih lama dari Shannon-Fano. Bagaimana cara komputer membaca dan membedakan deretan bit yang sudah dikodekan ? © 2003 Digitized by USU digital library 11 .bmp Stone.87). Sedangkan pada Shannon-Fano.bmp. Hal ini dikarenakan frekuensi dari setiap simbol pada gambar.bmp adalah 255 (gray level 255) yang jumlahnya 5940.40134 3. Karena itulah fish. Karena itulah gain kompresi yang didapat sangat tinggi (85.bmp memiliki simbol lebih banyak dari pada stone. Pada stone. fish. Gambar putih.75714 Hasil pengkodean dari masing-masing file dapat dilihat di lembar lampiran. Dari segi lamanya proses pengkodean.

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

Berikut adalah perhitungan entropi dari masing-masing simbol: Simbol a mempunyai probabilitas 3/7 maka besarnya entropi = (-3/7 )2log 3/7 = 0.4011 Simbol n mempunyai probabilitas 1/7 maka besarnya entropi = (-1/7 )2log 1/7 = 0.1281.4011 Jumlah entropi total adalah 2.4011 Simbol u mempunyai probabilitas 1/7 maka besarnya entropi = (-1/7 )2log 1/7 = 0. © 2003 Digitized by USU digital library 13 .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 l mempunyai probabilitas 1/7 maka besarnya entropi = (-1/7 )2log 1/7 = 0.5239 Simbol m 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 .

html © 2003 Digitized by USU digital library 15 .uci. Dengan file yang sama. Banyaknya simbol dan frekuensi masing-masing simbol menentukan nilai entropi suatu data. Makin besar entropi. Dengan file yang sama.. Haykin. Simon. K. Hasil kompresi akan dikirimkan ke tujuan berikut dengan tabel kodenya untuk proses dekoding. Nilai entropi menentukan gain kompresi. DAFTAR PUSTAKA 1.” Digital and Analog Communications Systems”. Inc.ics. 4.1994 3. http://www. Shannon-Fano membutuhkan waktu proses kompresi yang lebih cepat dibandingkan Huffman. Inc. Internet. Huffman menghasilkan gain kompresi yang lebih baik dibandingkan Shannon-Fano. 2. maka akan makin kecil gain yang diperoleh pada saat pengompresan suatu data.edu/~dan/pubs/ 4.” An Introduction to Analog & Digital Communications”. 6. http://ics. John Wiley & Sons. 2. Internet.BAB IV KESIMPULAN 1.1979. Urutan biner hasil koding tidak akan salah di-dekodekan karena setiap kode memiliki unique prefix. John Wiley & Sons. 3.uci.edu/~dan/pubs/Data Compression. Shanmugam. Sam. 5..