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

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

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

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

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 .

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

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

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

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

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

Bila kita perhatikan. setiap simbol dikodekan dengan 8 bit. Simbol dengan probabilitas terbesar dikodekan hanya dengan 1 bit. Karena itulah gain kompresi yang didapat sangat tinggi (85.2037 65. Itu berarti semua graylevel 255 dikodekan dengan 1 bit.bmp Gambar.15378 6. Kemudian hasilnya dibagi dua kelompok lagi.bmp. terbukti bahwa hampir semua simbol pada putih. Huffman membutuhkan waktu lebih lama dari Shannon-Fano. Berbeda dengan putih. Kemudian dari urutan simbol-simbol tersebut dibagi dua kelompok berdasarkan probabilitasnya.3186 1.bmp Stone.87332 Codelength (before) 42700 bits 25200 bits 70000 bits 70000 bits Codelength (after) 6318 bits 8799 bits 31914 bits 68599 bits Gain % 85.bmp Entropi 0.75714 Hasil pengkodean dari masing-masing file dapat dilihat di lembar lampiran. gambar.87).Metode Huffman Nama file Putih. Ini berarti nilai informasi-nya sangat kecil.0833 54. simbol-simbol harus diurutkan dari yang paling tinggi probabilitasnya hingga yang paling rendah.bmp mempunyai nilai entropi yang tinggi (6. Gambar putih.bmp memiliki simbol lebih banyak dari pada stone.87332 Codelength (before) 42700 bits 25200 bits 70000 bits 70000 bits Codelength (after) 6318 bits 8816 bits 31977 bits 68770 bits Gain % 85. Dari segi lamanya proses pengkodean.0159 54.bmp yang paling kecil hasilnya. Pada Huffman.bmp Fish.bmp Entropi 0.19693 2. Bagaimana cara komputer membaca dan membedakan deretan bit yang sudah dikodekan ? © 2003 Digitized by USU digital library 11 .00143 Metode Shannon-Fano Nama file Putih. Begitu seterusnya sampai pada akhir penjumlahannya bernilai 1.bmp kurang merata dibandingkan stone.15378 6.bmp Gambar. Sebelum dikodekan dengan kode Huffman. Sedangkan pada Shannon-Fano.bmp. Hal ini dikarenakan frekuensi dari setiap simbol pada gambar.bmp frekuensi dari masingmasing simbol hampir sama (lihat lampiran). Namun setelah dikompresi justru gambar. Karena itulah fish.bmp memiliki entropi paling kecil (0.2%). simbol-simbol hanya satu kali diurutkan dari yang probabilitasnya paling kecil hingga yang paling besar. Simbol-simbol dengan probabilitas kecil.bmp Stone. Begitu seterusnya hingga setiap kelompok tidak dapat lagi dibagi dua (hanya tersisa 1 simbol).bmp. Ini disebabkan algoritma Huffman yang lebih panjang dan kompleks daripada algoritma Shannon-Fano.bmp adalah 255 (gray level 255) yang jumlahnya 5940. Pada stone.bmp Fish.40134 3.19693). fish.2037 65.4086 2.bmp hanya dapat dikompresi dengan gain 2 % (metode Huffman). dikodekan dengan 6 bit. Kemudian dua probabilitas terkecil dijumlahkan dan hasilnya diurutkan kembali dari yang paling besar hingga yang paling kecil.40134 3. Jumlah simbol-simbol lain tidak terlalu besar (lihat lampiran).19693 2. Ini dapat ditunjukan dari banyaknya simbol dengan frekuensi yang hampir merata di setiap simbolnya (lihat lampiran).

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

4011 Jumlah entropi total adalah 2.1281.3/7 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. 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 = 0.5239 Simbol m 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.

© 2003 Digitized by USU digital library 14 . 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.

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

Sign up to vote on this title
UsefulNot useful