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

Ini berarti harus terdapat satu cara untuk memecahkan urutan biner yang diterima kedalam suatu codeword. Menggabungkan 2 keluaran yang sama dekat kedalam satu keluaran yang probabilitasnya merupakan jumlah dari probabilitas sebelumnya. 4. maka lanjut kelangkah berikutnya. 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. Seperti yang disebutkan diatas. Dalam variable-length coding. kembali ke langkah 1. 2. Cara seperti ini disebut sebagai fixed to variable-length coding. Algoritma dari Huffman encoding adalah : 1.1 Algoritma Huffman Coding Dalam Huffman Coding.Gambar 1. kita dapat mecari rata-rata panjang kode H(x). namun apabila masih terdapat lebih dari 2. sinkronisasi merupakan suatu masalah. Memberikan nilai 0 dan 1 untuk kedua keluaran © 2003 Digitized by USU digital library 3 . 3. panjang blok dari keluaran sumber dipetakan dalam blok biner berdasarkan pajang variable. bahwa ide dari Huffman Coding adalam memilih panjang codeword dari yang paling besar probabilitasnya sampai dengan urutan codeword yang paling kecil probabilitasnya. Huffman Code dapat mendekodekan secara unik dengan H(x) minimum. Klasifikasi dari beberapa teknik kompresi 2. Pengurutan keluaran sumber dimulai dari probabilitas paling tinggi. Apabila setelah dibagi masih terdapat 2 keluaran. dan optimum pada keunikan dari kode-kode tersebut. 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.

Alur program Huffman code Contoh Apabila kita mempunyai kalimat: "EXAMPLE OF HUFFMAN CODE" Pertama. maka berikan tanda 0 dan 1 untuk codeword-nya. ulangi sampai keluaran merupakan satu keluaran yang berdiri sendiri. 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 . Apabila sebuah keluaran merupakan hasil dari penggabungan 2 keluaran dari langkah sebelumnya.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 .

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

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

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

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

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

19693 2.bmp Entropi 0. simbol-simbol hanya satu kali diurutkan dari yang probabilitasnya paling kecil hingga yang paling besar. Begitu seterusnya sampai pada akhir penjumlahannya bernilai 1. Sedangkan pada Shannon-Fano. Huffman membutuhkan waktu lebih lama dari Shannon-Fano. Kemudian dari urutan simbol-simbol tersebut dibagi dua kelompok berdasarkan probabilitasnya. Simbol-simbol dengan probabilitas kecil.bmp.19693). Kemudian dua probabilitas terkecil dijumlahkan dan hasilnya diurutkan kembali dari yang paling besar hingga yang paling kecil.40134 3.bmp Stone.bmp Fish. Jumlah simbol-simbol lain tidak terlalu besar (lihat lampiran).19693 2. Sebelum dikodekan dengan kode Huffman. simbol-simbol harus diurutkan dari yang paling tinggi probabilitasnya hingga yang paling rendah. Bila kita perhatikan.2037 65. Hal ini dikarenakan frekuensi dari setiap simbol pada gambar. Kemudian hasilnya dibagi dua kelompok lagi. Karena itulah gain kompresi yang didapat sangat tinggi (85. Itu berarti semua graylevel 255 dikodekan dengan 1 bit.15378 6. Ini dapat ditunjukan dari banyaknya simbol dengan frekuensi yang hampir merata di setiap simbolnya (lihat lampiran).0833 54.2037 65. Karena itulah fish. Berbeda dengan putih.bmp. gambar.bmp mempunyai nilai entropi yang tinggi (6.3186 1.87332 Codelength (before) 42700 bits 25200 bits 70000 bits 70000 bits Codelength (after) 6318 bits 8799 bits 31914 bits 68599 bits Gain % 85. Ini berarti nilai informasi-nya sangat kecil.bmp kurang merata dibandingkan stone.bmp Fish.bmp frekuensi dari masingmasing simbol hampir sama (lihat lampiran).Metode Huffman Nama file Putih. fish.bmp memiliki entropi paling kecil (0.2%). Pada stone.00143 Metode Shannon-Fano Nama file Putih. setiap simbol dikodekan dengan 8 bit.40134 3. Simbol dengan probabilitas terbesar dikodekan hanya dengan 1 bit. Pada Huffman. Ini disebabkan algoritma Huffman yang lebih panjang dan kompleks daripada algoritma Shannon-Fano. Namun setelah dikompresi justru gambar.bmp memiliki simbol lebih banyak dari pada stone.75714 Hasil pengkodean dari masing-masing file dapat dilihat di lembar lampiran.bmp Gambar.4086 2.87332 Codelength (before) 42700 bits 25200 bits 70000 bits 70000 bits Codelength (after) 6318 bits 8816 bits 31977 bits 68770 bits Gain % 85.0159 54. 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).bmp. Begitu seterusnya hingga setiap kelompok tidak dapat lagi dibagi dua (hanya tersisa 1 simbol).87).bmp yang paling kecil hasilnya.bmp Gambar.bmp Stone. terbukti bahwa hampir semua simbol pada putih. Dari segi lamanya proses pengkodean. dikodekan dengan 6 bit.15378 6. Gambar putih.bmp adalah 255 (gray level 255) yang jumlahnya 5940.bmp Entropi 0.

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

© 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 u mempunyai probabilitas 1/7 maka besarnya entropi = (-1/7 )2log 1/7 = 0.4011 Simbol n mempunyai probabilitas 1/7 maka besarnya entropi = (-1/7 )2log 1/7 = 0.1281.5239 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 = 0.4011 Simbol l mempunyai probabilitas 1/7 maka besarnya entropi = (-1/7 )2log 1/7 = 0.4011 Jumlah entropi total adalah 2.

Metode yang kedua adalah Shannon-Fano.Dengan demikian entropi dengan memakai program dan manual adalah sama. 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 .

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

Sign up to vote on this title
UsefulNot useful